聚类--K均值算法：自主实现与sklearn.cluster.KMeans调用

#从数据集中导入鸢尾花数据
import numpy as np
from sklearn.datasets import load_iris
iris =load_iris()
x = iris.data[:,1]
y =np.zeros(150)

#1） 选取数据空间中的K个对象作为初始中心，每个对象代表一个聚类中心；
def initcenter(x,k): #初始聚类中心数组
return x[0:k].reshape(k)

#2）将各个数据分到距离它们最近的聚类中心（最相似）所对应的类
def nearest(kc,i): #数组中的值，与聚类中心最小距离所在类别的索引号
d=(abs(kc - i))
w=np.where(d==np.min(d))
return w[0][0]

#3） 更新聚类中心：将每个类别中所有对象所对应的均值作为该类别的聚类中心，计算目标函数的值；
#计算各聚类新均值
def kcmean(x,y,kc,k):
l=list(kc)
flag=False
for c in range(k):
m=np.where(y==c)
n=np.mean(x[m])
if l[c] !=n:
l[c]=n
flag=True
print(l,flag)
return(np.array(1),flag)

def xclassify(x,y,kc):
for i in range(x.shape[0]):
y[i]=nearest(kc,x[i])
return y
k=3
kc=initcenter(x,k)
flag = True
print(x,y,kc,flag)
while flag:
y=xclassify(x,y,kc)
kc,flag=kcmean(x,y,kc,k)
print(y,kc,type(kc))

结果：