Python实现K-means聚类算法以及例子

1、聚类是一种无监督的学习，它将相似的对象归到同一个簇中。簇内的对象越相似，聚类的效果越好。总之，聚类即归类。
2、基本思想：
（1）随机指定需要划分的簇的个数K值
（2）随机地选择k个初始数据对象点作为初始的聚类中心
（3）计算剩下的每个数据到这k个初始聚类中心的距离，然后把离这个中心点距离最近的归在一起。
（4）上面步骤完成后，按照平均法又重新计算各个簇的质心，最后又确定新的聚类中心点
（5）一直迭代，直到簇心的移动距离小于你给定的某个 值。

3、基本步骤：
（1）初始化k个聚类中心
（2）计算出每个元素跟这（k）个中心得距离,(相似度计算)，距离与其最小（即相似度最大），那他们就归为同一类（即属于这个中心）。
（3）上一步结束后，得到的新的数据，又重新计算新的聚类中心，和第一次的聚类中心相比较，要是不同就继续第二步，直到新旧两个中心相同，就说明聚类不会再变化了。就是聚类已经成功了。
4、流程图

5、python代码实现
（1）任务：用K-means聚类算法将150个4维样本数据分成3类。
（2）数据集：Iris.txt（想要数据集，可以留言）
（3）代码实现：

# coding=gbk
# python edition: Python3.7
from collections import defaultdict
from random import uniform
from math import sqrt

#第一步读取文件（数据集）
def read_points():     #解析文件
    dataset = []       #文件的最后一个字段是类别标签
    with open('Iris.txt', 'r') as file:
        for line in file:
            if line == '\n':
                continue
            dataset.append(list(map(float, line.split(' '))))
        file.close()
        return dataset

#第二步：将读取的数据读入到dataset列表中去
def write_results(listResult, dataset, k):
    with open('result.txt', 'a') as file:
        for kind in range(k):    
            file.write("CLASSINFO:%d\n" % (kind + 1))
            for j in listResult[kind]:
                file.write('%d\n' % j)
            file.write('\n')
        file.write('\n\n')
        file.close()

#确定的新的聚类中心
def point_avg(points):
    dimensions = len(points[0])
    new_center = []
    for dimension in range(dimensions):
        sum = 0
        for p in points:
            sum += p[dimension]
        new_center.append(float("%.8f" % (sum / float(len