K_means实现聚类iris数据集的三个数据，‘setosa‘,‘versicolor‘,‘virginica‘

主要用于保存记录，来源B站视频跟着大佬做的。

实现效果：

1.原始数据分类  2.原始数据未分类

1.原始数据分类   2.数据聚类后（‘x’是每个聚类的中心）

demo:

### demo
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from k_means import KMeans

# 导入数据
data = pd.read_csv("./iris.csv")
iris_types = ['setosa','versicolor','virginica']  # 数据类别

x_axis = 'Petal_Length' #x轴
y_axis = 'Petal_Width'  #Y轴
# 图的大小
plt.figure(figsize=(12,5))
plt.subplot(1,2,1)
for iris_type in iris_types: # 遍历每种花
    plt.scatter(data[x_axis][data['Species']==iris_type],data[y_axis][data['Species']==iris_type],label=iris_type)
plt.title('label know')
plt.legend()

plt.subplot(122)
plt.scatter(data[x_axis][:],data[y_axis][:])
plt.title('label unknow')

plt.show()

num_examples = data.shape[0] #样本个数
x_train = data[[x_axis,y_axis]].values.reshape(num_examples, 2)#将data的x,y轴数据转换成ndarry格式，并reshape，赋给x_train

#指定好训练所需的参数
num_clusters = 3
max_iterition = 50

KMeans = KMeans(x_train,num_clusters)
centroids, closest_centroids_ids = KMeans.train(max_iterition)

#画图对比
plt.figure(figsize=(12,5))  # 图的大小
plt.subplot(1,2,1)
for iris_type in iris_types: # 遍历每种花
    plt.scatter(data[x_axis][data ['Species']==iris_type],data[y_axis][data['Species']==iris_type],label=iris_type)
plt.title('label know')
plt.legend()

plt.subplot(1,2,2)
for centroids_id, centroid in enumerate(centroids):
    current_examples_index = (closest_centroids_ids == centroids_id).flatten()
    plt.scatter(data[x_axis][current_examples_index], data[y_axis][current_examples_index], label=centroids_id)

for centroids_id, centroid in enumerate(centroids):
    plt.scatter(centroid[0],centroid[1],c='black',marker='x')
plt.title('label KMeans')
plt.legend()
plt.show()

K_means.py:

### K_means
import numpy as np
# closest_centroids_ids里面存的是什么？ ——>存的是每个数据距离中心点最小距离的簇的索引(1,2,3,...,K)

class KMeans:
    def __init__(self, data, num_clustres):  # 数据、K值
        self.data = data
        self.num_clustres = num_clustres

    def train(self, max_iterations):  # 最大迭代次数
        # 1在当前数据中，初始化随机选择K个中心点
        centroids = KMeans.centroids_init(self.data, self.num_clustres)
        # 2开始训练
        # 计算每个点到K个中心点的距离
        num_examples = self.data.shape[0]  # 数据个数
        closest_centroids_ids = np.empty((num_examples, 1))  # 创建空数组，存放寻找的最近的中心点
        for _ in range(max_iterations):  # 迭代max_iterations次
            # 3得到当前每个样本点到K个中心点的距离，找到最近的距离id
            closest_centroids_ids = KMeans.centroids_find_closest(self.data, centroids)  # 数据、中心点
            # 4进行中心点位置更新：closest_centroids_ids距离谁最近就属于哪个堆
            centroids = KMeans.centroids_computer(self.data, closest_centroids_ids, self.num_clustres) #数据、当前数据距离哪个点最近
        return centroids, closest_centroids_ids


    @staticmethod
    # num_clustres()方法：初始化随机的寻找当前data的num_clustres个中心点
    def centroids_init(data, num_clustres):
        num_examples = data.shape[0]  # 数据个数
        random_ids = np.random.permutation(num_examples)  # permutation：将数据随机排序
        # random_ids[:num_clustres]：选择从0到num_clustres个数据，前num_clustres个；后面的：表示所有的数据特征
        data = np.array(data)
        centroids = data[random_ids[:num_clustres], :]  # 选取后作为中心点
        return centroids

    @staticmethod
    # 计算距离中心的的最近的距离，存储在closest_centroids_ids中，返回
    def centroids_find_closest(data, centroids):
        # 计算方法：eg.欧氏距离
        num_examples = data.shape[0]  # 数据个数
        num_centroids = centroids.shape[0]  # 簇的个数：K
        closest_centroids_ids = np.zeros((num_examples, 1))  # 用于存储每个样本点距离簇最近的那一个
        for examples_index in range(num_examples):
            distance = np.zeros((num_centroids, 1))  # 存储每个样本点对K个簇的distance值
            for centroids_index in range(num_centroids):
                # 计算距离：数据点的坐标值-中心点的坐标值
                data = np.array(data)
                distance_diff = data[examples_index, :4] - centroids[centroids_index, :4]
                distance[centroids_index] = np.sum(distance_diff ** 2)
            # 对当前的样本找到距离最近的那个簇
            closest_centroids_ids[examples_index] = np.argmin(distance)  # np.argmin()返回最小值索引
        return closest_centroids_ids

    @staticmethod
    # 更新closest_centroids_ids里面距离谁最近，就放在哪个堆（簇）
    def centroids_computer(data, closest_centroids_ids, num_clustres):
        num_features = data.shape[1] # 输入的数据的特征个数
        # num_features: 用于各个特征分别算均值
        centroids = np.zeros((num_clustres,num_features))  # 簇的个数、特征个数
        for centroids_id in range(num_clustres):
###如何运行的？
            closest_ids = closest_centroids_ids == centroids_id
            centroids[centroids_id] = np.mean(data[closest_ids.flatten(),:], axis=0)
        return centroids