聚类 python 代码_不足 20 行 Python 代码，高效实现 k-means 均值聚类算法

下载好向圈APP可以快速联系圈友

您需要 登录 才可以下载或查看，没有帐号？立即注册

x

不足 20 行 Python 代码，高效实现 k-means 均值聚类算法-1.jpg (143.81 KB, 下载次数: 0)

2020-9-12 13:13 上传

不足 20 行 Python 代码，高效实现 k-means 均值聚类算法-2.jpg (38.58 KB, 下载次数: 0)

2020-9-12 13:13 上传

作者 | 许文武

责编 | 郭芮

出品 | CSDN 博客

scikti-learn 将机器学习分为4个领域，分别是分类(classification)、聚类(clustering)、回归(regression)和降维(dimensionality reduction)。k-means均值算法虽然是聚类算法中比较简单的一种，却包含了丰富的思想内容，非常适合作为初学者的入门习题。

不足 20 行 Python 代码，高效实现 k-means 均值聚类算法-3.jpg (56.77 KB, 下载次数: 0)

2020-9-12 13:13 上传

关于 k-means 均值聚类算法的原理介绍、实现代码，网上有很多，但运行效率似乎都有点问题。今天稍微有点空闲，写了一个不足20行的 k-means 均值聚类算法，1万个样本平均耗时20毫秒(10次均值)。同样的数据样本，网上流行的算法平均耗时3000毫秒(10次均值)。差距竟然达百倍以上，令我深感意外，不由得再次向 numpy 献上膝盖！

以下是我的代码，包含注释、空行总共26行，有效代码16行。

1import numpy as np

2

3def kmeans_xufive(ds, k):

4 """k-means聚类算法

5

6 k - 指定分簇数量

7 ds - ndarray(m, n)，m个样本的数据集，每个样本n个属性值

8 """

9

10 m, n = ds.shape # m：样本数量，n：每个样本的属性值个数

11 result = np.empty(m, dtype=np.int) # m个样本的聚类结果

12 cores = np.empty((k, n)) # k个质心

13 cores = ds[np.random.choice(np.arange(m), k, replace=False)] # 从m个数据样本中不重复地随机选择k个样本作为质心

14

15 while True: # 迭代计算

16 d = np.square(np.repeat(ds, k, axis=0).reshape(m, k, n) - cores)

17 distance = np.sqrt(np.sum(d, axis=2)) # ndarray(m, k)，每个样本距离k个质心的距离，共有m行

18 index_min = np.argmin(distance, axis=1) # 每个样本距离最近的质心索引序号

19

20 if (index_min == result).all: # 如果样本聚类没有改变

21 return result, cores # 则返回聚类结果和质心数据

22

23 result[:] = index_min # 重新分类

24 for i in range(k): # 遍历质心集

25 items = ds[result==i] # 找出对应当前质心的子样本集

26 cores= np.mean(items, axis=0) # 以子样本集的均值作为当前质心的位置

这是网上比较流行的 k-means 均值聚类算法代码，包含注释、空行总共57行，有效代码37行。

1import numpy as np

2

3# 加载数据

4def loadDataSet(fileName):

5 data = np.loadtxt(fileName,delimiter='\t')

6 return data

7

8# 欧氏距离计算

9 def distEclud(x,y):

10 return np.sqrt(np.sum((x-y)**2)) # 计算欧氏距离

11

12# 为给定数据集构建一个包含K个随机质心的集合

13 def randCent(dataSet,k):

14 m,n = dataSet.shape

15 centroids = np.zeros((k,n))

16 for i in range(k):

17 index = int(np.random.uniform(0,m)) #

18 centroids[i,:] = dataSet[index,:]

19 return centroids

20

21# k均值聚类

22def kmeans_open(dataSet,k):

23

24 m = np.shape(dataSet)[0] #行的数目

25 # 第一列存样本属于哪一簇

26 # 第二列存样本的到簇的中心点的误差

27 clusterAssment = np.mat(np.zeros((m,2)))

28 clusterChange = True

29

30 # 第1步 初始化centroids

31 centroids = randCent(dataSet,k)

32 while clusterChange:

33 clusterChange = False

34

35 # 遍历所有的样本(行数)

36 for i in range(m):

37 minDist = 100000.0

38 minIndex = -1

39

40 # 遍历所有的质心

41 #第2步 找出最近的质心

42 for j in range(k):

43 # 计算该样本到质心的欧式距离

44 distance = distEclud(centroids[j,:],dataSet[i,:])

45 if distance < minDist:

46 minDist = distance

47 minIndex = j

48 # 第 3 步：更新每一行样本所属的簇

49 if clusterAssment[i,0] != minIndex:

50 clusterChange = True

51 clusterAssment[i,:] = minIndex,minDist**2

52 #第 4 步：更新质心

53 for j in range(k):

54 pointsInCluster = dataSet[np.nonzero(clusterAssment[:,0].A == j)[0]] # 获取簇类所有的点

55 centroids[j,:] = np.mean(pointsInCluster,axis=0) # 对矩阵的行求均值

56

57 return clusterAssment.A[:,0], centroids

函数create_data_set，用于生成测试数据。可变参数 cores 是多个三元组，每一个三元组分别是质心的x坐标、y坐标和对应该质心的数据点的数量。

1def create_data_set(*cores):

2 """生成k-means聚类测试用数据集"""

3

4 ds = list

5 for x0, y0, z0 in cores:

6 x = np.random.normal(x0, 0.1+np.random.random/3, z0)

7 y = np.random.normal(y0, 0.1+np.random.random/3, z0)

8 ds.append(np.stack((x,y), axis=1))

9

10 return np.vstack(ds)

测试代码如下：

1import time

2import matplotlib.pyplot as plt

3

4k = 4

5ds = create_data_set((0,0,2500), (0,2,2500), (2,0,2500), (2,2,2500))

6

7t0 = time.time

8result, cores = kmeans_xufive(ds, k)

9t = time.time - t0

10

11plt.scatter(ds[:,0], ds[:,1], s=1, c=result.astype(np.int))

12plt.scatter(cores[:,0], cores[:,1], marker='x', c=np.arange(k))

13plt.show

14

15print(u'使用kmeans_xufive算法，1万个样本点，耗时%f0.3秒'%t)

16

17t0 = time.time

18result, cores = kmeans_open(ds, k)

19t = time.time - t0

20

21plt.scatter(ds[:,0], ds[:,1], s=1, c=result.astype(np.int))

22plt.scatter(cores[:,0], cores[:,1], marker='x', c=np.arange(k))

23plt.show

24

25print(u'使用kmeans_open算法，1万个样本点，耗时%f0.3秒'%t)

测试结果如下：

1PS D:\XufiveGit\CSDN\code> py -3 .\k-means.py

2使用kmeans_xufive算法，1万个样本点，耗时0.0156550.3秒

3使用kmeans_open算法，1万个样本点，耗时3.9990890.3秒

效果如下：

不足 20 行 Python 代码，高效实现 k-means 均值聚类算法-4.jpg (51.54 KB, 下载次数: 0)

2020-9-12 13:13 上传

作者：许文武，博客昵称「天元浪子」，本文首发于作者CSDN博客https://blog.csdn.net/xufive/article/details/101448969。

不足 20 行 Python 代码，高效实现 k-means 均值聚类算法-5.jpg (52.31 KB, 下载次数: 0)

2020-9-12 13:13 上传

【END】

温馨提示：

好向圈www.kuaixunai.com是各行业经验分享交流社区，你可以在这里发布交流经验，也可以发布需求与服务，经验圈子里面禁止带推广链接、联系方式、违法词等，违规将封禁账号，相关产品信息将永久不予以通过，同时有需要可以发布在自己的免费建站官网里面或者广告圈， 下载好向圈APP可以随时随地交流经验，也可以和圈友发起聊天成为好友哦！

如果想要各大搜索引擎收录，请使用秘塔写作猫进行内容伪原创

下载好向圈APP可以随时随地交流经验，也可以和圈友发起聊天成为好友哦！

如果想要各大搜索引擎收录，请使用秘塔写作猫进行内容免费伪原创，加快搜索引擎收录