k-means算法python_Kmeans算法--python实现

一：Kmeans算法基本思想：

k-means算法是一种很常见的聚类算法，它的基本思想是：通过迭代寻找k个聚类的一种划分方案，使得用这k个聚类的均值来代表相应各类样本时所得的总体误差最小。

k-means算法的基础是最小误差平方和准则。其代价函数是：

式中，μc(i)表示第i个聚类的均值。我们希望代价函数最小，直观的来说，各类内的样本越相似，其与该类均值间的误差平方越小，对所有类所得到的误差平方求和，即可验证分为k类时，各聚类是否是最优的。上式的代价函数无法用解析的方法最小化，只能有迭代的方法。k-means算法是将样本聚类成 k个簇(cluster)，其中k是用户给定的，其求解过程非常直观简单，具体算法描述如下：

1、随机选取 k个聚类质心点

2、重复下面过程直到收敛  {

对于每一个样例 i，计算其应该属于的类：

对于每一个类 j，重新计算该类的质心：

}

其伪代码如下：

********************************************************************

创建k个点作为初始的质心点(随机选择)

当任意一个点的簇分配结果发生改变时

对数据集中的每一个数据点

对每一个质心

计算质心与数据点的距离

将数据点分配到距离最近的簇

对每一个簇，计算簇中所有点的均值，并将均值作为质心

********************************************************************

代码如下：kmeans.py

from numpy import *

importtimeimportmatplotlib.pyplot as plt#calculate Euclidean distance

defeuclDistance(vector1, vector2):return sqrt(sum(power(vector2 - vector1, 2)))#init centroids with random samples

definitCentroids(dataSet, k):

numSamples, dim=dataSet.shape ##numSamples = dataSet.shape[0]

centroids=zeros((k, dim)) ##初始化centroids用于存储质心点的坐标for i inrange(k):

index=int(random.uniform(0, numSamples)) ##随机生成(0，80)之间的数作为索引

centroids[i, :]=dataSet[index, :] ##根据随机索引初始化质心returncentroids#k-means cluster

defkmeans(dataSet, k):

numSamples=dataSet.shape[0]#first column stores which cluster this sample belongs to,

#second column stores the error between this sample and its centroid

clusterAssment = mat(zeros((numSamples, 2)))

clusterChanged=True## step 1: init centroids

centroids =initCentroids(dataSet, k)whileclusterChanged:

clusterChanged=False## for each sample

for i inxrange(numSamples):

minDist= 100000.0minIndex=0## for each centroid

## step 2: find the centroid who is closest

for j inrange(k):

distance=euclDistance(centroids[j, :], dataSet[i, :])if distance

minDist=distance

minIndex=j## step 3: update its cluster

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

if clusterAssment[i, 0] !=minIndex:

clusterChanged=True## step 4: update centroids

for j inrange(k):

pointsInCluster= dataSet[nonzero(clusterAssment[:, 0].A ==j)[0]]

centroids[j, :]= mean(pointsInCluster, axis =0)print 'Congratulations, cluster complete!'

returncentroids, clusterAssment#show your cluster only available with 2-D data

defshowCluster(dataSet, k, centroids, clusterAssment):

numSamples, dim=dataSet.shapeif dim != 2:print "Sorry! I can not draw because the dimension of your data is not 2!"

return 1mark= ['or', 'ob', 'og', 'ok', '^r', '+r', 'sr', 'dr', 'len(mark):print "Sorry! Your k is too large! please contact Zouxy"

return 1

#draw all samples

for i inxrange(numSamples):

markIndex=int(clusterAssment[i, 0])

plt.plot(dataSet[i, 0], dataSet[i,1], mark[markIndex])

mark= ['Dr', 'Db', 'Dg', 'Dk', '^b', '+b', 'sb', 'db', '

for i inrange(k):

plt.plot(centroids[i, 0], centroids[i,1], mark[i], markersize = 12)

plt.show()deftest_kmeans():## step 1: load data

print "step 1: load data..."dataSet=[]

fileIn= open('F:/eclipse/workspace/K_meansTest/testSet.txt')for line infileIn.readlines():

lineArr= line.strip().split('\t')printlineArr

dataSet.append([float(lineArr[0]), float(lineArr[1])])## step 2: clustering... ###！！！从此开始缩进错误，不应该在for循环里面，应该和for循环在同一个级别

print "step 2: clustering..."dataSet=mat(dataSet)

k= 4centroids, clusterAssment=kmeans(dataSet, k)## step 3: show the result

print "step 3: show the result..."showCluster(dataSet, k, centroids, clusterAssment)

test_kmeans.py

from numpy import *

importtimeimportmatplotlib.pyplot as pltimportkmeans

kmeans.test_kmeans()

调试程序中遇到的问题：

(1)提示AttributeError：“matrxi” have no "append" attribute!

错误原因：程序中缩进错误，应该将数据全部加载到dataSet列表中，再将dataSet列表使用mat()函数转化为矩阵，列表具有append()方法，而矩阵不具有此方法。

运行结果：

程序中相关知识注解：

mat()函数：数组转化为矩阵

random.uniform():函数原型为：random.uniform(a, b)，用于生成一个指定范围内的随机符点数，两个参数其中一个是上限，一个是下限。

dataSet.shape:求取矩阵的形状

nonzeros(a):返回数组a中值不为零的元素的下标，它的返回值是一个长度为a.ndim(数组a的轴数)的元组，元组的每个元素都是一个整数数组，其值为非零元素的下标在对应轴上的值。