python怎么实现K-means算法-创新互联

本篇内容介绍了“python怎么实现K-means算法”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

创新互联建站致力于互联网品牌建设与网络营销，包括网站建设、网站制作、SEO优化、网络推广、整站优化营销策划推广、电子商务、移动互联网营销等。创新互联建站为不同类型的客户提供良好的互联网应用定制及解决方案，创新互联建站核心团队十余年专注互联网开发，积累了丰富的网站经验，为广大企业客户提供一站式企业网站建设服务，在网站建设行业内树立了良好口碑。

　　K-means 聚类算法

　　特点

　　对初始化敏感。初始点选择的不同，可能会产生不同的聚类结果

　　最终会收敛。不管初始点如何选择，最终都会收敛

　　算法思想

　　选择K个点作为初始质心

　　repeat

　　将每个点指派到最近的质心，形成K个簇

　　重新计算每个簇的质心

　　until 簇不发生变化或达到大迭代次数

　　代码实现

　　实验目的

　　根据下列成绩单，将5名同学成绩归为A类、B类、C类。

　　限制：使用Kmeans算法实现，但不直接调用sklearn第三方库的KMeans函数。

　　学生姓名　　小测1　　小测2　　小测3　　期末成绩　　项目答辩　　成绩

　　张三　　12　　15　　13　　28　　24　　?

　　李四　　7　　11　　10　　19　　21　　?

　　王五　　12　　14　　11　　27　　23　　?

　　赵六　　6　　7　　4　　13　　20　　?

　　刘七　　13　　14　　13　　27　　25　　?

　　实验步骤

　　1. 数据准备

　　将数据储存为csv文件，格式如下

　　学生姓名,小测1,小测2,小测3,期末成绩,项目答辩

　　张三,12,15,13,28,24

　　李四,7,11,10,19,21

　　王五,12,14,11,27,23

　　赵六,6,7,4,13,20

　　刘七,13,14,13,27,25

　　在从csv文件中读取数据，并选取可用的数据(排除姓名列)

　　data = pd.read_csv('grade.csv')

　　new_data = data.iloc[:, 1:].values

　　2. KMeans算法实现

　　KMeans算法涉及两点之间距离的计算，我们提前写好一个函数：输入两个点的坐标，返回两点之间的欧氏距离

　　def eucliDist(A, B):

　　return math.sqrt(sum([(a - b) ** 2 for (a, b) in zip(A, B)]))

　　函数k_means(c,data,max,label)实现KMeans算法：

　　a. 输入：质心列表c，待聚类数据data，大迭代次数max，标签列表label

　　b. 计算data中的每个点分别到3个质心的欧式距离，得到一个矩阵metrix

　　metrix = [[eucliDist(a, b) for a in data] for b in c]

　　c. 比较矩阵metrix同一列的数值大小，将对应的学生划归距离较短的质心所属的类，将标签存储为列表.

　　classifier = []

　　for (d, e, f) in zip(metrix[0], metrix[1], metrix[2]):

　　m = min(d, e, f)

　　if d == m:

　　classifier.append(label[0])

　　elif e == m:

　　classifier.append(label[1])

　　else:

　　classifier.append(label[2])

　　d. 重新计算质心的坐标，新质心的坐标=被划归同一类点的坐标的平均值

　　n1, n2 = 0, 0

　　c1 = [0, 0, 0, 0, 0]

　　c2 = c1

　　c3 = c1

　　for i in range(0, num):

　　if classifier[i] == label[0]:

　　c1 = [a + b for (a, b) in zip(c1, data[i])]

　　n1 = n1 + 1

　　elif classifier[i] == label[1]:

　　c2 = [a + b for (a, b) in zip(c2, data[i])]

　　n2 = n2 + 1

　　else:

　　c3 = [a + b for (a, b) in zip(c3, data[i])]

　　c1 = [a / n1 for a in c1]

　　c2 = [a / n2 for a in c2]

　　c3 = [a / (num - n1 - n2) for a in c3]

　　e. 重复b~d，直到质心坐标不再变化或达到大迭代次数

　　f. 返回标签列表

　　完整函数如下

　　def k_means(c, data, max,label):

　　# a. 输入质心列表c，待聚类数据`data`，大迭代次数max

　　max = max - 1

　　num = len(data)

　　# b. 计算data中的每个点分到k个质心的距离，得到一个矩阵，如

　　metrix = [[eucliDist(a, b) for a in data] for b in c]

　　print(metrix)

　　# c. 比较矩阵同一列的数值大小，将对应的学生划归距离较短的质心所属的类，将标签存储为列表

　　classifier = []郑州做人流手术费用 http://4g.zyfuke.com/

　　for (d, e, f) in zip(metrix[0], metrix[1], metrix[2]):

　　m = min(d, e, f)

　　if d == m:

　　classifier.append(label[0])

　　elif e == m:

　　classifier.append(label[1])

　　else:

　　classifier.append(label[2])

　　print(classifier)

　　# d. 重新计算质心的坐标，新质心的坐标=被划归同一类点的坐标的平均值

　　n1, n2 = 0, 0

　　c1 = [0, 0, 0, 0, 0]

　　c2 = c1

　　c3 = c1

　　for i in range(0, num):

　　if classifier[i] == label[0]:

　　c1 = [a + b for (a, b) in zip(c1, data[i])]

　　n1 = n1 + 1

　　elif classifier[i] == label[1]:

　　c2 = [a + b for (a, b) in zip(c2, data[i])]

　　n2 = n2 + 1

　　else:

　　c3 = [a + b for (a, b) in zip(c3, data[i])]

　　c1 = [a / n1 for a in c1]

　　c2 = [a / n2 for a in c2]

　　c3 = [a / (num - n1 - n2) for a in c3]

　　print(max)

　　print([c1,c2,c3])

　　# e. 重复b~d，直到质心坐标不再变化,或达到大迭代次数

　　if c != [c1, c2, c3] and max > 0:

　　c = [c1, c2, c3]

　　print(c)

　　k_means(c, data, max, label)

　　return classifier

　　3. 设置参数，调用函数，得到结果

　　设置初始质心、标签列表、大迭代次数

　　# 选择K个点作为初始质心

　　c = [[12, 15, 13, 28, 24], [ 7, 11, 10, 19, 21],[12, 14, 11, 27, 23]]

　　label = ['A', 'B', 'C']

　　max = 20

　　调用函数，整理结果

　　grade = k_means(c, new_data, max, label)

　　grade = pd.Series(grade, index=data['学生姓名'])

　　print(grade)

　　实验结果

　　初始质心为[12, 15, 13, 28, 24], [ 7, 11, 10, 19, 21],[12, 14, 11, 27, 23]时，迭代2次即收敛，结果如下

　　学生姓名　　小测1　　小测2　　小测3　　期末成绩　　项目答辩　　成绩

　　张三　　12　　15　　13　　28　　24　　A

　　李四　　7　　11　　10　　19　　21　　B

　　王五　　12　　14　　11　　27　　23　　C

　　赵六　　6　　7　　4　　13　　20　　B

　　刘七　　13　　14　　13　　27　　25　　A

“python怎么实现K-means算法”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注创新互联-成都网站建设公司网站，小编将为大家输出更多高质量的实用文章！

文章名称：python怎么实现K-means算法-创新互联
标题来源：https://www.cdcxhl.com/article18/djesdp.html

成都网站建设公司_创新互联，为您提供面包屑导航、标签优化、品牌网站制作、网站制作、云服务器、搜索引擎优化

广告

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源： 创新互联