import numpy as np
import matplotlib.pyplot as plt
# 兩點距離
def distance(e1, e2):
return np.sqrt((e1[0]-e2[0])**2+(e1[1]-e2[1])**2)
# 集合中心
def means(arr):
return np.array([np.mean([e[0] for e in arr]), np.mean([e[1] for e in arr])])
# arr中距離a最遠的元素,用於初始化聚類中心
def farthest(k_arr, arr):
f = [0, 0]
max_d = 0
for e in arr:
d = 0
for i in range(k_arr.__len__()):
d = d + np.sqrt(distance(k_arr[i], e))
if d > max_d:
max_d = d
f = e
return f
# arr中距離a最近的元素,用於聚類
def closest(a, arr):
c = arr[1]
min_d = distance(a, arr[1])
arr = arr[1:]
for e in arr:
d = distance(a, e)
if d < min_d:
min_d = d
c = e
return c
if __name__=="__main__":
## 生成二維隨機座標(如果有數據集就更好)
arr = np.random.randint(100, size=(100, 1, 2))[:, 0, :] # 取所有數據的第0列到最後一列數據,100是上限,默認下限爲0
# print(arr)
## 初始化聚類中心和聚類容器
m = 5
r = np.random.randint(arr.__len__() - 1)
k_arr = np.array([arr[r]]) # 取到隨機一個數據
print(k_arr)
cla_arr = [[]]
for i in range(m-1):
k = farthest(k_arr, arr)
# print("k:",k)
k_arr = np.concatenate([k_arr, np.array([k])]) # 豎着拼接這兩個元素
# print("k_arr",k_arr)
cla_arr.append([])
# print("cla:",cla_arr)
## 迭代聚類
n = 20
cla_temp = cla_arr
for i in range(n): # 迭代n次
for e in arr: # 把集合裏每一個元素聚到最近的類
ki = 0 # 假定距離第一個中心最近
min_d = distance(e, k_arr[ki])
for j in range(1, k_arr.__len__()):
if distance(e, k_arr[j]) < min_d: # 找到更近的聚類中心
min_d = distance(e, k_arr[j])
ki = j
cla_temp[ki].append(e)
# 迭代更新聚類中心
for k in range(k_arr.__len__()):
if n - 1 == i:
break
k_arr[k] = means(cla_temp[k])
cla_temp[k] = []
print(cla_temp)
## 可視化展示
col = ['HotPink', 'Aqua', 'Chartreuse', 'yellow', 'LightSalmon']
for i in range(m):
plt.scatter(k_arr[i][0], k_arr[i][1], linewidth=10, color=col[i])
plt.scatter([e[0] for e in cla_temp[i]], [e[1] for e in cla_temp[i]], color=col[i])
plt.show()
k-means算法實現python
發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.