kmeans算法c语言实现，能对不同维度的数据进行聚类

　　最近在苦于思考kmeans算法的MPI并行化，花了两天的时间把该算法看懂和实现了串行版。

 

　　聚类问题就是给定一个元素集合V，其中每个元素具有d个可观察属性，使用某种算法将V划分成k个子集，要求每个子集内部的元素之间相异度尽可能低，而不同子集的元素相异度尽可能高。

　　下面是google到该算法的一个流程图，表意清楚：

　　1、随机选取数据集中的k个数据点作为初始的聚类中心：

　　

　　2、分别计算每个数据点到每个中心的距离，选取距离最短的中心点作为其聚类中心：

　　

　　3、利用目前得到的聚类重新计算中心点：

　　

　　4、重复步骤2和3直到收敛（达到最大迭代次数或聚类中心不再移动）： 

 　　

　　code:

#include <stdio.h>
#include <stdlib.h>
#include <math.h>
#include <time.h>

int K,N,D;  //聚类的数目，数据量，数据的维数
float **data;  //存放数据
int *in_cluster;  //标记每个点属于哪个聚类
float **cluster_center;  //存放每个聚类的中心点

float **array(int m,int n);
void freearray(float **p);
float **loadData(int *k,int *d,int *n);
float getDistance(float avector[],float bvector[],int n);
void cluster();
float getDifference();
void getCenter(int in_cluster[]);

int  main()
{
    int i,j,count=0;
    float temp1,temp2;
    data=loadData(&K,&D,&N);
    printf("Data sets:\n");
    for(i=0;i<N;i++)
        for(j=0;j<D;j++){
            printf("%-8.2f",data[i][j]);
            if((j+1)%D==0)    putchar('\n');
        }
    printf("-----------------------------\n");

    srand((unsigned int)(time(NULL)));  //随机初始化k个中心点
    for(i=0;i<K;i++)
        for(j=0;j<D;j++)
            cluster_center[i][j]=data[(int)((double)N*rand()/(RAND_MAX+1.0))][j];

    cluster();  //用随机k个中心点进行聚类
    temp1=getDifference();  //第一次中心点和所属数据点的距离之和
    count++;
    printf("The difference between data and center is: %.2f\n\n", temp1);

    getCenter(in_cluster);
    cluster();  //用新的k个中心点进行第二次聚类
    temp2=getDifference();
    count++;
    printf("The difference between data and center is: %.2f\n\n",temp2);

    while(fabs(temp2-temp1)!=0){   //比较前后两次迭代，若不相等继续迭代
        temp1=temp2;
        getCenter(in_cluster);
        cluster();
        temp2=getDifference();
        count++;
        printf("The %dth difference between data and center is: %.2f\n\n",count,temp2);
    }

    printf("\nThe total number of cluster is: %d\n",count);  //统计迭代次数
    //system("pause");  //gcc编译需删除 
    return 0;
}


//动态创建二维数组
float **array(int m,int n)
{
    int i;
    float **p;
    p=(float **)malloc(m*sizeof(float *));
    p[0]=(float *)malloc(m*n*sizeof(float));
    for(i=1;i<m;i++)    p[i]=p[i-1]+n;
    return p;
}

//释放二维数组所占用的内存
void freearray(float **p)
{
    free(*p);
    free(p);
}

//从data.txt导入数据，要求首行格式：K=聚类数目,D=数据维度,N=数据量
float **loadData(int *k,int *d,int *n)
{
    int i,j; 
    float **arraydata;
    FILE *fp;
    if((fp=fopen("data.txt","r"))==NULL)    fprintf(stderr,"cannot open data.txt!\n");
    if(fscanf(fp,"K=%d,D=%d,N=%d\n",k,d,n)!=3)        fprintf(stderr,"load error!\n");
    arraydata=array(*n,*d);  //生成数据数组
    cluster_center=array(*k,*d);  //聚类的中心点
    in_cluster=(int *)malloc(*n * sizeof(int));  //每个数据点所属聚类的标志数组
    for(i=0;i<*n;i++)
        for(j=0;j<*d;j++)
            fscanf(fp,"%f",&arraydata[i][j]);  //读取数据点
    return arraydata;
}

//计算欧几里得距离
float getDistance(float avector[],float bvector[],int n)
{
    int i;
    float sum=0.0;
    for(i=0;i<n;i++)
        sum+=pow(avector[i]-bvector[i],2);
    return sqrt(sum);
}

//把N个数据点聚类，标出每个点属于哪个聚类
void cluster()
{
    int i,j;
    float min;
    float **distance=array(N,K);  //存放每个数据点到每个中心点的距离
    //float distance[N][K];  //也可使用C99变长数组
    for(i=0;i<N;++i){
        min=9999.0;
        for(j=0;j<K;++j){
            distance[i][j] = getDistance(data[i],cluster_center[j],D);
            //printf("%f\n", distance[i][j]);
            if(distance[i][j]<min){
                min=distance[i][j];
                in_cluster[i]=j;
            }
        }
        printf("data[%d] in cluster-%d\n",i,in_cluster[i]+1);
    }
    printf("-----------------------------\n");
    free(distance);
}

//计算所有聚类的中心点与其数据点的距离之和
float getDifference()
{
    int i,j;
    float sum=0.0;
    for(i=0;i<K;++i){
        for(j=0;j<N;++j){
            if(i==in_cluster[j])
                sum+=getDistance(data[j],cluster_center[i],D);
        }
    }
    return sum;
}

//计算每个聚类的中心点
void getCenter(int in_cluster[])
{
    float **sum=array(K,D);  //存放每个聚类中心点
    //float sum[K][D];  //也可使用C99变长数组
    int i,j,q,count;
    for(i=0;i<K;i++)
        for(j=0;j<D;j++)
            sum[i][j]=0.0;
    for(i=0;i<K;i++){
        count=0;  //统计属于某个聚类内的所有数据点
        for(j=0;j<N;j++){
            if(i==in_cluster[j]){
                for(q=0;q<D;q++)
                    sum[i][q]+=data[j][q];  //计算所属聚类的所有数据点的相应维数之和
                count++;
            }
        }
        for(q=0;q<D;q++)
            cluster_center[i][q]=sum[i][q]/count;
    }
    printf("The new center of cluster is:\n");
    for(i = 0; i < K; i++)
        for(q=0;q<D;q++){
            printf("%-8.2f",cluster_center[i][q]);
            if((q+1)%D==0)    putchar('\n');
    }
    free(sum);
}

 

　　

　　该程序支持不同维度的数据集，一个示例的数据集 data.txt如下：

　　K=3,D=3,N=15

　　-25 22.2 35.34
　　31.2 -14.4 23
　　32.02 -23 24.44
　　-25.35 36.3 -33.34
　　-20.2 27.333 -28.22
　　-15.66 17.33 -23.33
　　26.3 -31.34 16.3
　　-22.544 16.2 -32.22
　　12.2 -15.22 22.11
　　-41.241 25.232 -35.338
　　-22.22 45.22 23.55
　　-34.22 50.14 30.98
　　15.23 -30.11 20.987
　　-32.5 15.3 -25.22
　　-38.97 20.11 33.22