基於Python的K means聚類演算法

k-means聚類的基本原理就不多闡述了，這裡直接講解如何實現。

效果圖（紅色節點代表聚類中心，藍色節點和綠色節點代表不同的兩類）：

可以看到，初始時綠色節點很少且大多聚集於左下方，隨著聚類中心的移動，綠色節點區域越來越大，直到最後會穩定下來。

一、建節點類

由於該聚類演算法是基於二維的，因此基本元素就是節點，這裡就將每個節點作為乙個類node。

其中nearest_node是乙個list，其含義是：

①如果該節點是普通節點，則儲存其歸屬的聚類中心；

②如果該節點是聚類中心，則儲存對應的普通節點。

class node:

x = 0
y = 0
distance = 0
nearest_node = 
def __init__(self):
self.x = random.uniform(0, 1)
self.y = random.uniform(0, 1)
self.nearest_node = 
def distance(self, node):
x1 = (self.x - node.x) * (self.x - node.x)
y1 = (self.y - node.y) * (self.y - node.y)
distance = math.sqrt(x1 + y1)
return distance

利用node類中的distance方法計算每個普通節點歸屬於哪個聚類中心。

for i in range(0, len(node)):

min = 999
index = 0
for j in range(0, len(center)):
if node[i].distance(center[j]) < min:
min = node[i].distance(center[j])
index = j

對每乙個聚類中心而已，找到其對應的所有普通節點，求出它們的平均位置（即x座標和y座標的位置）。

接著就以這個平均位置作為自身新的位置。

for i in range(0, len(center)):

x_total = 0
y_total = 0
x_new = 0
y_new = 0
for item in center[i].nearest_node:
x_total += item.x
y_total += item.y
print x_total
print y_total
x_new = x_total / len(center[i].nearest_node)
y_new = y_total / len(center[i].nearest_node)
center[i].x = x_new
center[i].y = y_new

如果是聚類中心，則用紅色節點表示；

如果是第一類普通節點，則用藍色節點表示；

如果是第二類普通節點，則用綠色節點表示。

for item in node:

if item.nearest_node[0] == center[0]:
plt.plot(item.x, item.y, 'bo')
if item.nearest_node[0] == center[1]:
plt.plot(item.x, item.y, 'go')
item.nearest_node = 
for item in center:
plt.plot(item.x, item.y, 'ro')
item.nearest_node = 
plt.show()

基於python的k means演算法實現

此次的作業是要求我們利用所學知識實現利用python實現k means演算法，首先我們先來簡單的介紹一下k means演算法 k means演算法接受輸入量k 然後將n個資料物件劃分為k個聚類以便使得所獲得的聚類滿足 同一聚類中的物件相似度較高 而不同聚類中的物件相似度較小。聚類相似度是利用各聚類中...

基於Python的K means簡單分類

對於k means的分類實現，我用的是jupyter notebook，這樣更方便，可視性更強。用python對衛星資料進行非監督分類，需要gdal，numpy和sklearn，如果檢視資料，還需要matplotlib import numpy as np from sklearn import c...

kmeans演算法（python實現）

import numpy as np import matplotlib.pyplot as plt initialize center函式通過使用numpy庫的 zeros函式和random.uniform函式，隨機選取 了k個資料做聚類中心，並將結果存放在 了k個資料做聚類中心，並將結果存放在 ...