K-means自己写的代码，简单易懂，但是貌似效率有点低，没怎么优化

%N是数据一共分多少类
%data是输入的不带分类标号的数据
%u是每一类的中心
%re是返回的带分类标号的数据
%我们只需要得到聚类中心即可，所以只返回一个矩阵变量

function [u]=k_means(data,N)   
    [m n]=size(data);   %m是数据个数，n是数据维数
    ma=zeros(n);        %每一维最大的数
    mi=zeros(n);        %每一维最小的数
    u=zeros(N,n);       %随机初始化，最终迭代到每一类的中心位置 N中心个数
    index=zeros(m);   %m个数据的类别
    for i=1:n
       ma(i)=max(data(:,i));    %每一维最大的数
       mi(i)=min(data(:,i));    %每一维最小的数
       for j=1:N 
            u(j,i)=ma(i)+(mi(i)-ma(i))*rand();  %随机初始化，不过还是在每一维[min max]中初始化好些
       end      
    end
   
    for iteration =1:5  %我们就迭代5次就够了
        
        %更新index矩阵，也就是标记矩阵
        for i=1:m      %更新每个数据点标记
            min1=Inf;
            for j=1:N
                dist=0;%计算欧式距离，此处为简便不加sqrt了
                for k=1:n
                  dist=dist+(data(i,k)-u(j,k))*(data(i,k)-u(j,k));
                end
                if(dist<min1)
                    min1=dist;
                    min_num=j;
                end
            end
            index(i)= min_num;%最后一次更新的min_num
        end
        
        %更新聚类中心
        for i=1:N    %更新每个聚类中心
            index_num=0;
            index_sum=zeros(1,n);
            for j=1:m
                if(i==index(j))  %这个点属于第i个类
                    index_num=index_num+1;
                    index_sum=index_sum+data(index(j),:);
                end
            end
            if(index_num~=0)
                u(i,:)=index_sum/index_num;
            end
        end
    end
    
end