Python : 聚类分析K-means

最新推荐文章于 2024-07-09 17:33:15 发布

ZhuCheng Xie

最新推荐文章于 2024-07-09 17:33:15 发布

阅读量1.1k

点赞数

分类专栏： Python

本文链接：https://blog.csdn.net/weixin_44523387/article/details/90613830

版权

该博客介绍如何使用Python进行K-means聚类分析，通过`kmeans_tools`库中的函数`Cluster`, `get_distance`, `gen_random_sample`进行操作，并利用matplotlib进行数据可视化。示例代码展示了如何运行K-means算法并设置终止条件。" 50675743,2914255,使用JavaScript实现JSP千位分隔符技巧,"['前端开发', 'JavaScript', 'HTML', '前端框架']

摘要由CSDN通过智能技术生成

import random
from kmeans_tools import Cluster, get_distance, gen_random_sample
import matplotlib.pyplot as plt
from matplotlib import colors as mcolors

def kmeans(samples, k, cutoff):
“”"
kmeans函数
“”"

# 随机选k个样本点作为初始聚类中心
init_samples = random.sample(samples, k)

# 创建k个聚类，聚类的中心分别为随机初始的样本点
clusters = [Cluster([sample]) for sample in init_samples]

# 迭代循环直到聚类划分稳定
n_loop = 0
while True:
    # 初始化一组空列表用于存储每个聚类内的样本点
    lists = [[] for _ in clusters]

    # 开始迭代
    n_loop += 1
    # 遍历样本集中的每个样本
    for sample in samples:
        # 计算样本点sample和第一个聚类中心的距离
        smallest_distance = get_distance(sample, clusters[0].centroid)
        # 初始化属于聚类 0
        cluster_index = 0

        # 计算和其他聚类中心的距离
        for i in range(k - 1):
            # 计算样本点sample和聚类中心的距离
            distance = get_distance(sample, clusters[i+1].centroid)
            # 如果存在更小的距离，更新距离
            if di