K-Means聚类算法的实现（C语言）

一、什么是 K-Means？
K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量V最优分类，使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。

二、K-Means的算法流程
(1) 从 n个数据对象任意选择 k 个对象作为初始聚类中心；
(2) 根据每个聚类对象的均值(中心对象)，计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；
(3) 重新计算每个(有变化)聚类的均值(中心对象)；
(4) 循环(2)到(3)直到每个聚类不再发生变化为止。
k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个"中心对象"(引力中心)来进行计算的。

三、代码实现（C语言）

#include <stdio.h>
#include <string.h>
#include <stdlib.h>
#include <math.h>
#include <time.h>
 
#define N 11
#define K 3
 
typedef struct
{
   
	float x;
	float y;
}Point;
 
int center[N];  ///  判断每个点属于哪个簇
 
Point point[N] = {
   
	{
   2.0, 10.0},
	{
   2.0, 5.0},
	{
   8.0, 4.0},
	{
   5.0, 8.0},
	{
   7.0, 5.0},
	{
   6.0, 4.0},
	{
   1.0, 2.0},
	{
   4.0, 9.0},
	{
   7.0, 3.0},
	{
   1.0, 3.0},
	{
   3.0, 9.0}
};
 
Point mean[K];  ///  保存每个簇的中心点
 
float getDistance(Point point1, Point point2)
{
   
	float d;
	d = sqrt((point1.x - point2.x) * (point1.x -