转：Python K-means代码

#coding: UTF-8
import pearson_distance
from pearson_distance import pearson_distance
from math import sqrt
import random 

def print_matchs(matchs) : 
    for i in range(len(matchs)) : 
        print i , '---->', 
        for item in matchs[i] : 
            print item, 
        print 
    print '-'*20
  
def kmeans(blogwords, k) : 
    min_max_per_word = [ [min([row[i] for row in blogwords]), max([row[i] for row in blogwords])]  for i in range(len(blogwords[0]))] 
    # generate k clusters randomly 
    clusters = []
    
    for i in range(k) : 
        cluster = [] 
        for min_, max_ in min_max_per_word : 
            cluster.append(random.random() * (max_ - min_) + min_)    #形成初始类中心 利用每列的最大最小值 一列代表一个数据的属性
        clusters.append(cluster) 
    lables = [] 
    matchs = [ [] for i in range(k)] 
    lastmatchs = [ [] for i in range(k)] 
    
    rounds = 100
    while rounds > 0 : 
        matchs = [ [] for i in range(k)] 
        print 'round \t',rounds 
        for i in range(len(blogwords)) : #遍历所有的数据
            bestmatch_cluster = None
            min_distance = 100
            for j in range(k) :  #遍历每一个类标签
                dis = pearson_distance(clusters[j], blogwords[i]) #计算相似度距离
                if dis < min_distance : 
                    min_distance = dis 
                    bestmatch_cluster = j        #保存距离最近的类中心编号
            matchs[bestmatch_cluster].append(i)  #将数据行编号i 添加到matchs[[],[]...[]]（k个类）的每一个类中
        #print_matchs(matchs) 
        #print_matchs(lastmatchs) 
        if matchs == lastmatchs : break #如果上次和这次的label没改变 则跳出循环
        lastmatchs = [[ item for item in matchs[i] ] for i in range(k)] #保存的是上次的k-means结果的label
        #move the centroids to the average of their members 
        for j in range(k) : 
            avg = [0.0 for i in range(len(blogwords[0])) ]  
            for m in matchs[j] : 
                vec = blogwords[m] 
                for i in range(len(blogwords[0])) : 
                    avg[i] += vec[i] 
            avg = [ item / len(match[j]) for item in avg]  
            clusters[j] = avg #更新新的聚类中心
        rounds -= 1
    return matchs
  ## label指的是：
  ##               1------ [1,3]     ·
  ##               2------ [2,8]     ·
  ##    类编号      3------ [0,6]     ·   数据编号
  ##               4------ [4,7]     ·
  ##               5------ [5,10,11] ·

距离相似度计算：

#pearson distance
from math import sqrt

def pearson_distance(vector1,vector2):
    sum1 = sum(vector1)
    sum2 = sum(vector2)

    sum1Sq = sum([pow(v,2) for v in vector1])
    sum2Sq = sum([pow(v,2) for v in vector2])

    pSum = sum([vector1[i] * vector2[i] for i in range(len(vector1))])

    num = pSum - (sum1 * sum2 / len(vector1))
    den = sqrt((sum1Sq - pow(sum1,2) / len(vector1)) * (sum2Sq - pow(sum2,2)/len(vector1)))

    if den == 0 : return 0.0
    return 1.0 - num/den

***注意：如果修改py文件（例如添加一个函数）必须要Restart shell 才能调用该函数，我们可以修改一下距离函数 或者 迭代终止条件~~~

***注意：如果要加中文注释，需要在最开头一行加入 #coding: UTF-8

***数据输入格式 [[123, 312, 434, 4325, 345345], [23124, 141241, 434234, 9837489, 34743], [128937, 127, 12381, 424, 8945], [323, 4348, 5040, 8189, 2348], [51249, 42190, 2713, 2319, 4328], [13957, 1871829, 8712847, 34589, 30945], [1234, 45094, 23409, 13495, 348052], [49853, 3847, 4728, 4059, 5389]] 一行代表一个数据，列代表一个数据的一个属性值

转自：http://www.cnblogs.com/coser/archive/2013/04/10/3013044.html  

代码并不通用，要抽个时间改改，改的方向有

1-处理空簇数据，即簇中没有数据的情况。

      对于出现这种情况，可以使用随机选取任意簇(非空)中最远的点作为当前空簇的中心点；或者在当前具有最大SSE的簇中选择最远距离值作为当前空簇的中心点。这两种做法都是减小了总体的SSE，如果有多个空簇的话，针对每一个空簇执行上面的两种方法之一，重复多次，消除空簇。

2-选择初始质心，可改进的参考资料是层次聚类和k-means++算法

一定要抽时间！！！