K-Mean（K-均值聚类）算法是无监督学习，用于聚类，将数据集分成 K 个簇，K 值由用户给定
优点：容易实现
缺点：可能收敛到局部最小值，在大规模数据集上收敛较慢
算法
随机初始化 k 个簇中心点
每个中心点的每个特征值在所有样本的最大值和最小值之间随机取一个
每个样本分到距离最近的簇
取分到该簇的所有样本的均值做为该簇的新的中心点
重新分配每个样本到距离最近的簇
不断迭代直到所有样本所属的簇不再改变
代码
# coding=utf-8
import numpy as np
def distEclud(vecA, vecB):
"""
计算两个向量的距离
"""
return np.sqrt(sum(np.power(vecA - vecB, 2)))
def randCent(dataSet, k):
"""
随机初始化簇中心点
"""
n = np.shape(dataSet)[1]
# 用于存储 k 个簇中心点
centroids = np.mat(np.zeros((k, n)))
# 为 k 个簇中心点的每一个特征赋值
for j in range(n):
# 随机产生一个 (k,1) 矩阵，值的范围在该特征的最大和最小值之间
minJ = min(dataSet[:, j])
rangeJ = float(max(dataSet[:, j]) - minJ)
centroids[:, j] = np.mat(minJ + rangeJ * np.random.rand(k, 1))
return centroids
def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):
"""
dataSet - 要进行聚类的数据
k - 要将数据分成 k 个聚类
distMeas - 计算向量距离的函数
createCent - 初始化 K 个簇中心点的函数
"""
m = np.shape(dataSet)[0]
# 存储每一个数据属于哪个簇，与簇中心点的距离是多少
clusterAssment = np.mat(np.zeros((m, 2)))
# 初始化 K 个簇中心点
centroids = createCent(dataSet, k)
# 不断的迭代，直到所有的数据分类不再改变
clusterChanged = True
while clusterChanged:
clusterChanged = False
# 遍历每一个数据
for i in range(m):
# 保存距离最近的簇中心点，及其距离
minDist = np.inf
minIndex = -1
for j in range(k):
# 计算该数据与不同的簇中心点的距离
distJI = distMeas(centroids[j, :], dataSet[i, :])
# 取距离最小的那个簇
if distJI < minDist:
minDist = distJI
minIndex = j
# 只要有一个数据的分类与上次迭代的结果不同，就会继续迭代所有数据
if clusterAssment[i, 0] != minIndex:
clusterChanged = True
# 保存该数据所属的簇，以及与簇中心点的距离
clusterAssment[i, :] = minIndex, minDist ** 2
for cent in range(k):
# 获取该簇的所有数据
ptsInClust = dataSet[np.nonzero(clusterAssment[:, 0].A == cent)[0]]
# 重新计算该簇的中心点，新的中心点每一个特征的值，是该簇所有数据在该特征的平均值
centroids[cent, :] = np.mean(ptsInClust, axis=0)
# 返回 K 个簇中心点，以及所有数据所属簇、与簇中心点的距离
return centroids, clusterAssment
二分 K-Mean 算法
簇心随机初始化容易导致 K-Mean 算法效果不好，容易收敛到局部最小值
二分 K-Mean 算法将所有数据初始化为同一个簇，簇中心取所有样本均值，然后开始迭代
每次迭代都对已有的簇按普通 K-Mean 一分为二
计算新分的两个簇总的 SSE（方差和），计算剩下的簇总的方差和
相加得到总和，取总和最小的那个簇的划分
共 k - 1 次迭代产生 k 个簇
def biKmeans(dataSet, k, distMeas=distEclud):
"""
二分 K-Mean 算法
dataSet - 要进行聚类的数据
k - 要将数据分成 k 个聚类
distMeas - 计算向量距离的函数
"""
m = np.shape(dataSet)[0]
# 存储每一个数据属于哪个簇，与簇中心点的距离是多少
clusterAssment = np.mat(np.zeros((m, 2)))
# 初始化簇中心点，只有一个，每个特征值是所有点的平均值
centroid0 = np.mean(dataSet, axis=0).tolist()[0]
centList = [centroid0]
for j in range(m):
# 初始化所有数据距中心点距离
clusterAssment[j, 1] = distMeas(np.mat(centroid0), dataSet[j, :]) ** 2
# 每次迭代增加一个簇
while len(centList) < k:
lowestSSE = np.inf
bestClustAss = bestCentToSplit = bestNewCents = None
# 遍历每一个簇
for i in range(len(centList)):
# 取该簇的所有数据
ptsInCurrCluster = dataSet[np.nonzero(clusterAssment[:, 0].A == i)[0], :]
# 使用普通的 K-Mean 算法将该簇再分为两个簇
centroidMat, splitClustAss = kMeans(ptsInCurrCluster, 2, distMeas)
# 计算新的 2 个簇总的方差和
sseSplit = sum(splitClustAss[:, 1])
# 计算剩下的簇总的方差和
sseNotSplit = sum(clusterAssment[np.nonzero(clusterAssment[:, 0].A != i)[0], 1])
# 保存使总方差变小的划分
if (sseSplit + sseNotSplit) < lowestSSE:
bestCentToSplit = i
bestNewCents = centroidMat
bestClustAss = splitClustAss.copy()
lowestSSE = sseSplit + sseNotSplit
# 新划分的一部分数据赋予新的簇
bestClustAss[np.nonzero(bestClustAss[:, 0].A == 1)[0], 0] = len(centList)
# 另一部分数据维持原来的簇
bestClustAss[np.nonzero(bestClustAss[:, 0].A == 0)[0], 0] = bestCentToSplit
# 改变用于划分的簇的中心点
centList[bestCentToSplit] = bestNewCents[0, :].tolist()[0]
# 添加新簇的中心点
centList.append(bestNewCents[1, :].tolist()[0])
# 改变用于划分的数据的值
clusterAssment[np.nonzero(clusterAssment[:, 0].A == bestCentToSplit)[0], :] = bestClustAss
# 返回结果
return np.mat(centList), clusterAssment
