python K-means简单代码实现

import numpy as np


def distance(x,y):
    return sum((x-y)**2)


def kmeans(data, k, epoch=1000):
    n = data.shape[0]
    rd = np.random.choice(n,k,replace=False)
    center = [data.iloc[rd].values[i] for i in range(k)]  # 初始化簇中心
    start=0
    last_ans = [1 for _ in range(n)]
    while start<epoch:  # 迭代到达指定轮数时停止
        res = [[] for _ in range(k)]
        ans = []
        for i in range(n):
            mi = 0
            min_dis = distance(data.iloc[[i]].values[0], center[0])
            for j in range(1,k):
                dis=distance(data.iloc[[i]].values[0], center[j])  # 计算每个样本到每个簇中心的距离
                if dis<min_dis:
                    mi=j  # 更新每个样本所属的簇中心
                    min_dis=dis
            res[mi].append(np.array(data.iloc[[i]])[0])  # 将每个样本归到所属的簇里
            ans.append(mi)
        if ans==last_ans:  # 簇中心不再变化时迭代停止
            start+=1
            break
        else:
            last_ans=ans
        center=[sum(col)/len(col) for col in res]  # 更新簇中心
        start+=1
    return ans

从代码中可以看出k-means平均时间复杂度在O(k*n*start), start是迭代次数。