kmeans聚类算法python实现_kmeans聚类python代码

以下是使用Python实现k均值（k-means）聚类算法的示例代码：

import numpy as np
 
def k_means(data, k, max_iterations=100):
    # 随机选择k个初始质心
    centroids = data[np.random.choice(range(len(data)), k)]
 
    for _ in range(max_iterations):
        # 计算每个样本与质心之间的距离
        distances = np.linalg.norm(data[:, np.newaxis] - centroids, axis=2)
 
        # 对每个样本，选取距离最近的质心作为其所属类别
        labels = np.argmin(distances, axis=1)
 
        # 更新质心位置为所属类别的平均值
        new_centroids = np.array([data[labels == i].mean(axis=0) for i in range(k)])
 
        # 如果新的质心位置与旧的质心位置相同，则停止迭代
        if np.all(centroids == new_centroids):
            break
 
        centroids = new_centroids
 
    return labels, centroids

这个示例代码中的data是输入的样本数据，每个样本是一个n维向量，其中n是特征的数量。k是要聚类的簇数，max_iterations是最大迭代次数。

函数k_means返回两个结果，labels是每个样本所属的聚类簇的标签，centroids是最终的质心位置。

你可以使用这个示例代码来实现k均值聚类算法。确保在调用函数时将你自己的数据作为参数传递进去。