import numpy
def loadDataSet(fileName):
dataMat = []
fr = open(fileName)
for line in fr.readlines():
curLine = line.strip().split('\t') #strip 去除首尾的空格,split以tab作为分隔符分割数据。返回一个list数据
fltLine =[float(i) for i in curLine]
dataMat.append(fltLine)
return dataMat
# 计算两个向量的距离,用的是欧几里得距离
def distEclud(v1, v2):
return numpy.sqrt(numpy.sum(numpy.square(v1 - v2)))
# 构建聚簇中心,取k个(此例中为2)随机质心
def randCent(dataSet, k):
n = shape(dataSet)[1] #等价于dataSet.shape[1],得到数组的列数。同理,dataSet.shape[0]得到数组的行数。shape函数就是读取矩阵的长度
centroids = mat(zeros((k,n))) # 每个质心有n个坐标值,总共要k个质心
for j in range(n):
minJ = dataSet[:,j].min() #第j列的最小值
maxJ = dataSet[:,j].max() #第j列的最大值
rangeJ = maxJ - minJ
centroids[:,j] = minJ + rangeJ * random.rand(k, 1) #官方文档中给出的用法是:numpy.random.rand(d0,d1,…dn) 以给定的形状创建一个数组,并在数组中加入在[0,1]之间均匀分布的随机样本。
return centroids
#def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):
def kMeans(dataSet, k):
m = shape(dataSet)[0] #等价于dataSet.shape[0] 第一维的长度,即行数
clusterAssment = mat(zeros((m, 2))) # 用于存放该样本属于哪类及质心距离,第一列是该数据所属中心点,第二列是该数据到中心点的距离
centroids = randCent(dataSet, k)
clusterChanged = True #判断聚类是否已经收敛,当clusterChanged的值为False时已经收敛,跳出While循环。
while clusterChanged:
clusterChanged = False
for i in range(m): # 每个数据点分配到离它最近的质心,range(start,stop,step)用于生成一个整数列表
minDist = inf #inf代表正无穷 -inf代表负无穷
minIndex = -1
for j in range(k):
distJI = distEclud(numpy.array(centroids[j, :]), numpy.array(dataSet[i, :])) #求第j行的中心点到第i行的数据之间的距离
if distJI < minDist:
minDist = distJI;
minIndex = j
if clusterAssment[i, 0] != minIndex:
clusterChanged = True
clusterAssment[i, :] = minIndex, minDist ** 2 # x**y 返回x的y次幂 x//y 取x除以y的整数部分
print(centroids)
for cent in range(k): #重新计算中心点
ptsInClust = dataSet[nonzero(clusterAssment[:, 0].A == cent)[0]] # 筛选出第一列等于cent的所有数据,即找到属于这个聚类的所有数据点。 nonzero函数是numpy中用于得到数组array中非零元素的位置(数组索引)的函数
centroids[cent, :] = mean(ptsInClust, axis=0) # mean是求平均值的函数,
# numpy.mean(a, axis, dtype, out,keepdims ) axis 不设置值,对 m*n 个数求均值,返回一个实数
#axis = 0:压缩行,对各列求均值,返回 1* n 矩阵 axis =1 :压缩列,对各行求均值,返回 m *1 矩阵
return centroids, clusterAssment
def show(dataSet, k, centroids, clusterAssment): #绘图展示,这块还没看
from matplotlib import pyplot as plt
numSamples, dim = dataSet.shape
mark = ['or', 'ob', 'og', 'ok', '^r', '+r', 'sr', 'dr', '
for i in range(numSamples): #画样本点,属于同一中心的用一种标记
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 in range(k): #画中心点
plt.plot(centroids[i, 0], centroids[i, 1], mark[i], markersize=12)
plt.show()
def main():
dataMat =mat(loadDataSet('E:/test.txt')) #mat转换成矩阵操作
myCentroids, clustAssing = kMeans(dataMat, 2) #函数返回一个元组,元组的括号可以省略
# print(myCentroids)
show(dataMat, 2, myCentroids, clustAssing)
if __name__ == '__main__':
main()
*代码要点精讲*