LeetCode高频题互联网大厂笔试题：手撕k-means聚类算法：python代码实现

LeetCode高频题互联网大厂笔试题：手撕k-means聚类算法：python代码实现

提示：本题是系列LeetCode的150道高频题，你未来遇到的互联网大厂的笔试和面试考题，基本都是从这上面改编而来的题目
互联网大厂们在公司养了一大批ACM竞赛的大佬们，吃完饭就是设计考题，然后去考应聘人员，你要做的就是学基础树结构与算法，然后打通任督二脉，以应对波云诡谲的大厂笔试面试题！
你要是不扎实学习数据结构与算法，好好动手手撕代码，锻炼解题能力，你可能会在笔试面试过程中，连题目都看不懂！比如华为，字节啥的，足够让你读不懂题

---

题目

星球小镇即将建成，班车师傅需要根据员工居住地点，重新建设班车的停靠点，为此，班车师傅专门收集了又乘坐班车需求的员工们的居住地址位置，并找到了你所在的研发团队，洗完你们能帮忙对这些数据进行分析，为班车停靠点的选择提供一些建议。
为此，你们打算开发一套基于kmeans聚类算法的员工居住地点可视化分析工具，而你需要负责完成核心算法k-means的实现。

---

一、审题

示例：
输入：二维数组列表

arr = [
    [1.5, 2.1],
    [0.8, 2.1],
    [1.3, 2.1],
    [110.5, 260.6],
    [21.7, 32.8],
    [130.9, 150.8],
    [32.6, 40.7],
    [41.5, 24.7]
]
k = 3

输出：
[1,1,1,0,2,0,2,2]

---

k-means聚类算法思想和手撕代码

之前我记得大华还是谁？就考过
让你手撕代码写这个k-means算法

看来有大佬公司们还是希望你有这个实力手撕出来的，k-means聚类代码

其思想：
算法实现步骤

1、首先确定一个k值，即我们希望将数据集经过聚类得到k个集合。【这个题目给你了，k=3啥的】

2、从数据集中随机选择k个数据点作为质心。【这个其实还不用随机初始化，我们可以就令arr的前k个位置为质心】

3、对数据集arr中每一个点cur，计算其与每一个质心（label从0–k-1个簇）的距离（如欧式距离），离哪个质心label近，cur就划分到哪个质心所属的集合。

4、把所有数据归好集合后，一共有k个集合。然后重新计算每个集合的质心。

5、继续返回1去迭代，T步，经常是需要迭代100步骤。

计算其与每一个质心（label从0–k-1个簇）的距离（如欧式距离）

这再简单不过了，就是求x1,y1点跟x2,y2点的距离
但是也不需要开根号了，反正是正数，何必浪费时间开根号呢？？？

手撕代码：

    def getDistance(self, pos1, pos2):
        # x1,y1,x2,y2二维数组——就是平方距离即可，也不必开根号了
        return (pos1[0] - pos2[0])**2 + (pos1[1] - pos2[1])**2

重新计算每个集合的质心

给你一个参数：posList，就是一堆点的集合，那么你需要求所有点的平均中心
x和y各自去平均就行，简单

    def getNewCenter(self, posList):
        centerX, centerY = 0, 0
        for pos in posList:  # 取这个中心所有点的距离平均值！！作为最后更新的质心，绝了
            centerX += pos[0]
            centerY += pos[1]

        return (centerX / len(posList), centerY / len(posList))

k-means聚类算法整体代码：

这思想就很明了，你来算算k-means算法的复杂度度就知道

arr总共有N个点

class_center是k个簇的类中心，初始化的话，取arr前k个就行了
sample_class当做我们每个点最后的聚类结果，放他们的类别cls

（0）算法要迭代T=100次
（1）（0）内部每1次迭代，你需要计算N个点中，所有点cur到k簇质心的距离
（2）（1）的内部，你看看cur点到k个质心距离，谁最小，那就把cur归到它这个集合class_cluster中
等k个质心都算过了，那就要不最终归类的结果放到sample_class里面

（3）最后拿着这个集合簇class_cluster，更新每个簇的中心

因此实际上复杂度就是**o（T×N×k）**次计算

其实有了这算法复杂度，你就知道大概怎么写代码了

    def kmeans(self, positions, k):
        # 返回一个列表，int表示类别
        class_center = positions[:k]  # 初始化默认自己就是自己中心
        sample_class = [None for i in range(len(positions))]  # 聚类结果
        iteration = 0

        while iteration < 100:  # 迭代T次
            # 记录k个类别的簇，编号呗
            class_cluster = collections.defaultdict(list)  # 字典，收集key-value，value就是类别key的归类类别
            for i in range(len(positions)):  # N个点
                cur = positions[i]  # 取出这个点xy
                min_distance = float('inf')  # max
                trulabel = -1  # 目前默认没有类别
                for label in range(k):  # k个簇
                    # 计算cur跟所有k个簇质心的距离——把前面k个点，作为标准的聚类中心
                    center = class_center[label]
                    distance = self.getDistance(cur, center)  # 计算cur跟原类别质心的距离
                    if distance < min_distance:
                        min_distance = distance
                        trulabel = label  # 新来的一个距离不错，就将其归类到这里
                # 最后一个OK的结果，放for外面哦
                class_cluster[trulabel].append(cur)  # 每个簇类别记录了cur属于自己——记录的就是一个一个点的xy坐标
                sample_class[i] = trulabel  # 这一轮迭代的结果——取最小这个簇囊括i这个点

            # 更新几个簇的质心
            for label in class_cluster:  # 每个类别里面都放了哪些下标
                new_center = self.getNewCenter(class_cluster[label])
                class_center[label] = new_center  # 换中心了
            iteration += 1

        return sample_class  # 最后一次的结果，就是最终的聚类结果

上面这个代码你细细体会
确实k-means聚类还不错

也不是很难，就是很明了的一个算法，简单的思路

上面三个函数封装起来放入class Solution:

测试：

if __name__ == '__main__':

    arr = [
        [1.5, 2.1],
        [0.8, 2.1],
        [1.3, 2.1],
        [110.5, 260.6],
        [21.7, 32.8],
        [130.9, 150.8],
        [32.6, 40.7],
        [41.5, 24.7]
    ]
    k = 3
    solution = Solution()
    ans = solution.kmeans(positions=arr, k=k)
    for cls in ans:
        print(cls)

结果很OK

1
1
1
0
2
0
2
2

笔试必然ac

---

总结

提示：重要经验：

1）k-means算法思想简单，思路明了，写代码也好搞，python代码比java代码简单
2）其复杂度为o（TNk）
3）笔试求AC，可以不考虑空间复杂度，但是面试既要考虑时间复杂度最优，也要考虑空间复杂度最优。