Kmeans

K-means是一个反复迭代的过程，算法分为四个步骤：

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；

2） 对于样本中的数据对象，根据它们与这些聚类中心的欧氏距离，按距离最近的准则将它们分到距离它们最近的聚类中心（最相似）所对应的类；

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；

4） 判断聚类中心和目标函数的值是否发生改变，若不变，则输出结果，若改变，则返回2）

import numpy as np
import random
import math
from sklearn.cluster import KMeans

def km(dataset,k):
    random.sample(dataset,k)#打乱顺序
    ran = [dataset[i] for i in range(k)]
    charge = True
    while charge:
        get_fen = [[] for i in range(k)]
        for i in dataset:
            temp = np.array([],dtype=int)
            for j in ran:
                temp = np.append(temp,Euclidean(i,j))
            get_fen[temp.argmin()].append(i)
            temp = np.array([],dtype=int)
        temp_ran = [round(np.median(np.array(get_fen[i]))) for i in range(len(get_fen))]
        if ran == temp_ran:
            charge = False
        ran = temp_ran
    print(ran)
def Euclidean(start,end):
    #计算欧几里得距离
    result = math.sqrt((start-end)**2)
    return result

def sklearn_use(dataset,k):
    est = KMeans(n_clusters=k)
    est.fit(dataset)
    print(est.cluster_centers_)
    #print(est.predict(dataset))

if __name__ == "__main__":
    a = [i for i in range(1,10)]
    km(a,3)#自编  假的kmeans
    a = np.array(a).reshape(len(a),1)
    sklearn_use(a,3)#调用sklearn