Kmeans算法在python的实现--简易二类区分

本代码可以通过图像展现出聚合结果,帮助理解。

import random

import sys

import matplotlib.pyplot as plt

#K均值聚类法

def randList(size):

    all_points = []

    for i in range(size):

      datas = [random.randint(1, 100), random.randint(1, 100)]

      if not datas in all_points:  # 去掉重复数据

            all_points.append(datas)

    print(all_points)

    return all_points

#最简单的二类区分 需要不断迭代过程

def  Kmeans(AtypeList,BtypeList,randCenterA,randCenterB,initList,counts):

    lastAtypeList = AtypeList

    lastBtypeList = BtypeList

    AtypeList=[]

    BtypeList=[]

    for iL in initList:

        distanceToA = ((randCenterA[0] - iL[0]) * (randCenterA[0] - iL[0]) + (randCenterA[1] - iL[1]) * (

        randCenterA[1] - iL[1])) ** (0.5)

        distanceToB = ((randCenterB[0] - iL[0]) * (randCenterB[0] - iL[0]) + (randCenterA[1] - iL[1]) * (

        randCenterA[1] - iL[1])) ** (0.5)

        if distanceToA > distanceToB:

            AtypeList.append(iL)

        else:

            BtypeList.append(iL)

    #求得各类元素数量:

    Anum = len(AtypeList)

    Bnum = len(BtypeList)

    newAxSum=0

    newAySum=0

    newBxSum=0

    newBySum=0

    for lA in AtypeList:

        newAxSum=newAxSum+lA[0]

        newAySum=newAySum+lA[1]

    for lB in BtypeList:

        newBxSum = newBxSum + lB[0]

        newBySum = newBySum + lB[1]

    randCenterA=[newAxSum/Anum,newAySum/Anum]

    randCenterB=[newBxSum/Bnum,newBySum/Bnum]

    #反复迭代,直至聚类元素不变为止

    if (lastAtypeList==AtypeList and lastBtypeList==BtypeList) or counts > 1000 :

        print('迭代结束')

        print('质心A为:'+str(randCenterA))

        print('质心B为:' + str(randCenterB))

        print('聚类A元素为:' + str(AtypeList))

        print('聚类B元素为:' + str(BtypeList))

        print('迭代次数:' + str(counts))

        #开始绘制图谱

        for Aty in AtypeList:

            plt.scatter(Aty[0],Aty[1],c='b')

        for Bty in BtypeList:

            plt.scatter(Bty[0],Bty[1],c='g')

        plt.scatter(randCenterA[0], randCenterA[1], c='r')

        plt.scatter(randCenterB[0], randCenterB[1], c='r')

        plt.show()

    else:

      counts=counts+1

      Kmeans(AtypeList,BtypeList,randCenterA,randCenterB,initList,counts)

def ExampleSloveAndPaint(size):

  initList = randList(size)

  x=0

  #初始聚类中心 不一样的情况下,聚合结果会有区别

  while x<1:

      print('原始数组为:' + str(initList))

      randCenterA = [random.randint(1, 100), random.randint(1, 100)]

      randCenterB = [random.randint(1, 100), random.randint(1, 100)]

      Kmeans([], [], randCenterA, randCenterB, initList, 0)

      x=x+1

def main ():

sys.setrecursionlimit(2000) #设置迭代上限

ExampleSloveAndPaint(20) #设置聚类数组的元素个数

main()

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,456评论 5 477
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,370评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,337评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,583评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,596评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,572评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,936评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,595评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,850评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,601评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,685评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,371评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,951评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,934评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,167评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 43,636评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,411评论 2 342

推荐阅读更多精彩内容