kmeans聚类的python实现

1. kmeans算法简介

待补充

2. python实现

2.1 基础版

kmeans算法，前几天的一道面试在线编程题目。好久不用python手法都生疏了，写的很慢。不过后来对比了下网络上的其他kmeans的python实现，感觉自己的实现相对简洁美观，代码量少。这主要依赖于numpy包的使用。
废话少说，直接上代码.
对于输入数据的说明
data是一个\(n*m\)的数组，\(data\in R^{n*m}\)，\(n\)是训练数据的样本个数，\(m\)是feature的维数，\(k\)是设定好的聚类数

import numpy as np
def kmeans(data, n, m, k):
	rarray = np.random.random(size=k)
    rarray = np.floor(rarray*n)
    rarray.astype(int)
    end = True
    cls = np.zeros([1,n],np.int)    		
    center = np.take(data,rarray)
    pcenter = np.zeros([k,m])
    while end:
		for i in xrange(n):
			tmp = data[i] - center
            tmp = np.square(tmp)
            tmp = np.sum(tmp,axis=1)
            cls[i] = np.argmin(tmp)
        center = np.zeros([k,m])
        count = np.zeros([1,k],np.int)
        for i in xrange(n):
			center[cls[i]]=center[cls[i]]+data[i]
            count[cls[i]]= count[cls[i]]+1
        if center/count == pcenter:
			end = False
        pcenter = center/count

2.2 修改版

说是修改版其实有点勉强，不过确实是一个很有用的修改。编程中在做数值相等判断的时候，直接使用==判断并不可靠。实际上经过运算后的两个值（浮点型）并不可能完全一致，可能会因为小数点后的些许差异导致判断为false。
比如：

print 1e-5 == 1e-6 //这肯定是false,但是实际这两个值可以看作近似相等。

在kmeans中判断是否结束循环，就是判断重新计算的聚类中心点是否和原聚类中心点一致，实际上新旧聚类中心点之间会有一个可允许的误差。修改代码如下：

import numpy as np
def kmeans(data, n, m, k):
	rarray = np.random.random(size=k)
    rarray = np.floor(rarray*n)
    rarray.astype(int)
    cls = np.zeros([1,n],np.int)    		
    center = np.take(data,rarray)
    pcenter = np.zeros([k,m])
    end = True
    while end:
		for i in xrange(n):
			tmp = data[i] - center
            tmp = np.square(tmp)
            tmp = np.sum(tmp,axis=1)
            cls[i] = np.argmin(tmp)
        center = np.zeros([k,m])
        count = np.zeros([1,k],np.int)
        for i in xrange(n):
			center[cls[i]]=center[cls[i]]+data[i]
            count[cls[i]]= count[cls[i]]+1
        if np.sum(center/count - pcenter) <= 1e-4:
			end = False
        pcenter = center/count

3. 待解决的问题

由于聚类之后，开始新的迭代过程中，可能有某一类\(k'\)会产生特殊情况：训练样本中没有任何一个被分到这个类。这个时候对应的count[k'] = 0，直接做除法显然就会报错，这个问题暂时还没有解决。