数据结构应用实例(二)——K均值聚类

一、问题描述

  对Iris数据进行分类，数据从文件读入。Iris包含150个四维的数据，这些数据可以看做是四维空间中的点。根据这些点在空间中的位置分布，将这150个特征点分成三类，分类的依据是欧氏距离，同类点之间的距离比较小；反之，不同类别的点之间的距离会比较大。

二、代码实现

#include<stdio.h>
#include<stdlib.h>
#include<math.h>
#define N 150 //数据点个数
#pragma warning(disable:4996)

//设置全局变量
float point[N+1][5];//存放数据点，0号位置不存放数据
int nums[3];//存放同类节点个数，nums[i-1]表示第i类节点个数
int group[3][N];//存放同类节点编号，group[i-1][0,,,num[i]-1]存放第i类节点编号

float aver[3][5];//同类点的算术平均中心，aver[i-1][0]表示i类点的个数，aver[i-1][1,,,4]表示i类中心点的坐标
float centers[3][5];//存储聚类中心，centers[i-1][1,,,4]表示i类中心点的坐标

void getdata();//从文件中读取数据，存放在数组point中，0号位置不放数据
float dis(float *a,float *b);//计算a,b两点间的距离
void classify();//对数据点进行分类
void calAver();//计算同类的算术平均中心


main()
{
	int i,j;
	int count=0;//迭代次数

	//1.初始化
	getdata();//读取数据
	//利用前三个点初始化聚类中心
	for (i = 1; i <= 3; i++)
	{
		for (j = 1; j <= 4; j++)
			centers[i-1][j] = point[i][j];
	}

	//2.对数据点进行分类
	classify();

	//3.计算算术平均中心
	calAver();

	//4.如果算术平均中心和聚类中心不重合且迭代次数没有超过给定值，继续迭代
	while (dis(aver[0],centers[0])+dis(aver[1],centers[1])+dis(aver[2],centers[2])!=0.0 && count<=50)
	{	
		count++;//迭代次数增加
		//更新聚类中心
		for (i = 0; i < 3; i++)
		{
			for (j = 1; j <= 4; j++)
				centers[i][j] = aver[i][j];
		}
		//重新分类
		classify();
		//再次计算算术平均中心
		calAver();
	}

	//5.显示结果
	if (dis(aver[0],centers[0])+dis(aver[1],centers[1])+dis(aver[2],centers[2]) != 0.0)
		printf("迭代次数超过最大值，该组数据不能分成三类，程序结束.\n");
	else
	{
		printf("迭代次数为:%d.\n\n", count);
		for (i = 1; i <= 3; i++)//分类显示，对于第i类
		{
			printf("%d类中心为:", i);
			for (j = 1; j <= 4; j++)
				printf("%.2f ", centers[i-1][j]);
			printf("\n共%d个数据点，编号为:\n", nums[i-1]);
			for (j = 0; j < nums[i - 1]; j++)
			{
				printf("%4d",group[i-1][j]);
				if((j+1)%10==0)
					printf("\n");
			}
			printf("\n");
			if(j%10!=0)
				printf("\n");
		}
	}
}


void getdata()//从文件中读取数据，存放在数组point中，0号位置不放数据
{
	int i;
	FILE *fp=fopen("Iris.txt","r");
	if (!fp)
	{
		printf("Iris.txt 文件读取失败.\n");
		exit(-1);
	}
	//从文件中读取数据
	for(i=1;(!feof(fp))&&(i<=N);i++)
		fscanf(fp, "%f%f%f%f",&(point[i][1]),&(point[i][2]),&(point[i][3]),&(point[i][4]));
	fclose(fp);
}

float dis(float *a, float *b)//计算a,b两点间的距离
{
	return sqrt((a[1]-b[1])*(a[1]-b[1])+(a[2]-b[2])*(a[2]-b[2])+
		(a[3]-b[3])*(a[3]-b[3])+(a[4]-b[4])*(a[4]-b[4]));
}

void classify()//对数据点进行分类
{
	int i,temp;
	float dis1,dis2,dis3;

	//1.先清空原有分类
	for(i=0;i < 3;i++)
		nums[i]=0;

	for (i = 1; i <= N; i++)
	{
		//2.计算距三个中心点的距离
		dis1=dis(centers[0],point[i]);
		dis2=dis(centers[1],point[i]);
		dis3=dis(centers[2],point[i]);

		//3.分类
		if (dis1 <= dis2 && dis1 <= dis3)//属于1类
			temp=1;
		else if(dis2 <= dis3)//属于2类
			temp=2;
		else//属于3类
			temp=3;
		group[temp-1][nums[temp-1]]=i;
		nums[temp-1]++;
	}
}

void calAver()//计算同类的算术平均中心
{
	int i,j,h;
	int index;
	//1.置零
	for (i = 1; i <= 3; i++)
	{
		for (j = 1; j <= 4; j++)
			aver[i-1][j] = 0;
	}

	//2.对三类节点各个分量求平均
	for (i = 1; i <= 3; i++)
	{
		if (nums[i-1] == 0)
		{
			printf("第%d类不含数据点.\n",i);
			exit(-1);
		}
		for (j = 0; j < nums[i-1]; j++)//nums[i-1]表示第i类节点数目
		{
			index=group[i-1][j];//节点编号
			for (h = 1; h <= 4; h++)//四个分量累加
				aver[i-1][h] += point[index][h];
		}	
		for (h = 1; h <= 4; h++)//四个分量和除以个数得到平均值
			aver[i-1][h] /= nums[i-1];
	}
}

三、小结

1、 用二维数组 point 存储数据点，点在数组中的位置就是点的编号；
2、 设置二维数组 group 存放各类节点编号，nums 存放各类节点个数，在计算平均值的时候可以直接实现数据点的随机读取，大大提升算法的效率；
3、 几乎将全部的变量设置成全局变量，避免参数传递；
4、 如果在某次分类之后，某一类不含节点，当即进行提示，并结束程序，防止出现除0操作；
5、 为防止结果不收敛，设定最大迭代次数进行控制；
6、 如果结果收敛，最后得到的算术平均中心和聚类中心完全重合，没有偏差，因为最后一次迭代前后，所有数据点的类别没有发生变化；