使用Python实现K-means

写在前面：本代码用于课程作业，仅写到二维，欢迎大家进行拓展。

#定义函数：计算二维空间中两点的欧氏距离
def EuclideanDistance(x, y):
    return math.sqrt(math.pow(x[0]-y[0],2)+math.pow(x[1]-y[1],2))

#定义函数：计算一个DataFrame中点集的形心
def Centroid(df):
    Centroid_x = df['属性1'].mean()
    Centroid_y = df['属性2'].sum()/len(df)
    return [Centroid_x,Centroid_y]

#定义函数：以形心点组成的DF——’Centroid_group‘为基准，对于样本点集’df‘中的点进行聚类，并分别得到group_a/b/c三个新的点集，
#此为聚类后的三类
def Clustering(df,Centroid_group):
        group_a = np.zeros(shape = (1,2))
        group_b = np.zeros(shape = (1,2))
        group_c = np.zeros(shape = (1,2))
        for i in range(11):
            a = EuclideanDistance([df.iloc[i,0],df.iloc[i,1]],
                              [Centroid_group.iloc[0,0],Centroid_group.iloc[0,1]])
            b = EuclideanDistance([df.iloc[i,0],df.iloc[i,1]],