实验8 聚类算法

数据见points.csv，编程实现kmeans聚类算法。
测试代码见main.py
（将执行正确的K_MeansPy函数的代码粘贴在此处）

import numpy as np
def K_MeansPy(data,K):
    m=data.shape[0]#m是数据格式，n是数据维数
    n=data.shape[1]
    ma=np.zeros((1,n))#每一维最大的数
    mi=np.zeros((1,n))#每一维最小的数
    u=np.zeros((K,n))#随机初始化，最终迭代到每一类的中心位置 
    #先随机找一个质点
    for i in range(n):
        ma[0,i]=np.max(data[:,i])
        mi[0,i]=np.min(data[:,i])
        for j in range(K):
            u[j,i]=mi[0,i]+(ma[0,i]-mi[0,i])*np.random.rand() 
    while(1):
        pre_u=u.copy()
        coord_diff_cell=np.empty([m,K],dtype=object)
        for i in range(m):
            for j in range(K):
                coord_diff_cell[i,j]=data[i,:]-u[j,:]
        Dist=np.ones((m,K))*-1
        for i in range(m):
            c=np.zeros((1,K))
            for j in range(K):
                c[0,j]=np.linalg.norm(coord_diff_cell[i,j])
            index=c.argmin(1)
            ind=index[0]    #index返回list
            Dist[i,index]=np.linalg.norm(coord_diff_cell[i,ind]) 
        for i in range(K):
            ind =np.nonzero(Dist[:,i]>0)#属于第几个簇
            y=data[ind,:]
            x=y[0,:,:]
            u[i,:]=np.mean(x,axis=0)    #axis=0,计算每一列的均值
        if np.linalg.norm(pre_u-u)<0.1:
            break
    clusterID=np.ones((1,m))*-1
    for i in range(m):
        dist=np.empty([1,K])
        for j in range(K):
            dist[0,j]=np.linalg.norm(data[i,:]-u[j,:])
        index=dist.argmin(1)
        index=index[0]
        clusterID[0,i]=index
    print(clusterID)
return u,clusterID