【聚类算法】| Kmeans算法的Python实现（以西瓜数据集为例）

如有错误，恳请指出。

• 任务：无监督聚类西瓜数据集（30样本），数据集如下所示：
  

西瓜书的聚类部分，有一个题目是用30个无标签的西瓜数据集来进行聚类分出3类，这里直接贴上代码。

• 参考代码：

"""
writing by: Clichong
theme:      机器学习聚类算法的实现
data:       2022/4/27
"""

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt


# 功能: 设置随机种子, 确保结果可复现
def make_seed(SEED=42):
    np.random.seed(SEED)


# 功能: 计算样本与聚类中心的距离, 返回离簇中心最近的类别
# params: sample: 单个数据样本, centers: k个簇中心
# return: 返回的是当前的样本数据属于那一个簇中心的id或者索引
def distance(sample, centers):
    # 这里用差的平方来表示距离
    d = np.power(sample - centers, 2).sum(axis=1)
    cls = d.argmin()
    return cls


# 功能: 对当前的分类子集进行可视化展示
def clusters_show(clusters, step):
    color = ["red", "blue", "pink"]
    marker = ["*", "^", "."]
    plt.figure(figsize=(8, 8))
    plt.title("step: {}".format(step))
    plt.xlabel("Density", loc="center")
    plt.ylabel("Sugar Content", loc="center")
    # 用颜色区分k个簇的数据样本
    for i, cluster in enumerate(clusters):
        cluster = np.array(cluster)
        plt.scatter(cluster[:, 0], cluster[:, 1], c=color[i], marker=marker[i], s=150)
    plt.show()


# 功能: 根据输入的样本集与划分的簇数，分别返回k个簇样本
# params： data：样本集, k：聚类簇数
# return：返回是每个簇的簇类中心
def k_means(samples, k):

    data_number = len(samples)
    centers_flag = np.zeros((k,))

    # 随机在数据中选择k个聚类中心
    centers = samples[np.random.choice(data_number, k, replace=False)]
    print(centers)

    step = 0
    while True:
        # 计算每个样本距离簇中心的距离, 然后分到距离最短的簇中心中
        clusters = [[] for i in range(k)]
        for sample in samples:
            ci = distance(sample, centers)
            clusters[ci].append(sample)

        # 可视化当前的聚类结构
        clusters_show(clusters, step)

        # 分完簇之后更新每个簇的中心点, 得到了簇中心继续进行下一步的聚类
        for i, sub_clusters in enumerate(clusters):
            new_center = np.array(sub_clusters).mean(axis=0)
            # 如果数值有变化则更新, 如果没有变化则设置标志位为1，当所有的标志位为1则退出循环
            if (centers[i] != new_center).all():
                centers[i] = new_center
            else:
                centers_flag[i] = 1

        step += 1
        print("step:{}".format(step), "\n", "centers:{}".format(centers))
        if centers_flag.all():
            break

    return centers


# 功能: 根据簇类中心对簇进行分类，获取最后的分类结果
# params: samples是全部的数据样本，centers是聚类好的簇中心
# return: 返回的是子数组
def split_data(samples, centers):

    # 根据中心样本得知簇数
    k = len(centers)
    clusters = [[] for i in range(k)]
    for sample in samples:
        ci = distance(sample, centers)
        clusters[ci].append(sample)

    return clusters


if __name__ == '__main__':

    make_seed()
    # 导入数据
    data = pd.read_excel(r"./dataset/西瓜数据集4.0.xlsx")
    samples = data[["密度", "含糖率"]].values
    # print(samples)

    centers = k_means(samples=samples, k=3)
    clusters = split_data(samples=samples, centers=centers)
    print(clusters)

• 输出：

[[0.473 0.376]
 [0.593 0.042]
 [0.478 0.437]]
step:1 
 centers:[[0.47385714 0.29514286]
 [0.5647     0.1347    ]
 [0.60483333 0.46033333]]
step:2 
 centers:[[0.41018182 0.286     ]
 [0.571      0.14645455]
 [0.639625   0.4355    ]]
step:3 
 centers:[[0.36775    0.25616667]
 [0.63255556 0.16166667]
 [0.64488889 0.41244444]]
step:4 
 centers:[[0.36063636 0.23772727]
 [0.63255556 0.16166667]
 [0.625      0.4171    ]]
step:5 
 centers:[[0.36136364 0.21709091]
 [0.6515     0.16325   ]
 [0.61118182 0.41336364]]
step:6 
 centers:[[0.36136364 0.21709091]
 [0.6515     0.16325   ]
 [0.61118182 0.41336364]]

# 以下每个列表表示一类（一共分了3类）：
[[array([0.403, 0.237]), array([0.481, 0.149]), array([0.437, 0.211]), array([0.243, 0.267]), array([0.245, 0.057]), array([0.343, 0.099]), array([0.36, 0.37]), array([0.359, 0.188]), array([0.339, 0.241]), array([0.282, 0.257]), array([0.483, 0.312])], 
[array([0.634, 0.264]), array([0.556, 0.215]), array([0.666, 0.091]), array([0.639, 0.161]), array([0.657, 0.198]), array([0.593, 0.042]), array([0.719, 0.103]), array([0.748, 0.232])], 
[array([0.697, 0.46 ]), array([0.774, 0.376]), array([0.608, 0.318]), array([0.714, 0.346]), array([0.478, 0.437]), array([0.525, 0.369]), array([0.751, 0.489]), array([0.532, 0.472]), array([0.473, 0.376]), array([0.725, 0.445]), array([0.446, 0.459])]]

• 可视化输出：
  不同的颜色分别为1类，可以看见每次聚类样本类别的变化：
  
  
  
  
  
  

ps：这个是我的一个课程作业，就直接贴上来啦，原理啥的就不多说了