算法简介
K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。
算法过程如下：
1）从N个文档随机选取K个文档作为中心点；
2）对剩余的每个文档测量其到每个中心点的距离，并把它归到最近的质心的类；
3）重新计算已经得到的各个类的中心点；
4）迭代2～3步直至新的质心与原质心相等或小于指定阈值，算法结束。
算法优缺点：
优点：
对处理大数据集，该算法保持可伸缩性和高效性算法快速、简单，易于理解;
缺点：
在 K-means 算法中 K 是事先给定的，这个 K 值的选定是非常难以估计的，具体应用中只能靠经验选取；对噪声和孤立点数据敏感，导致均值偏离严重；当数据量非常大时，算法的时间开销是非常大的；初始聚类中心的选择对聚类结果有较大的影响，一旦初始值选择的不好，可能无法得到有效的聚类结果。
代码实现
第一步：读取文件，简单查看数据
import pandas as pdimport numpy as npfrom pandas import DataFrame,Seriesfrom sklearn.cluster import KMeansfrom sklearn.cluster import Birch#读取文件datafile = u'E:\\pythondata\\julei.xlsx'#文件所在位置，u为防止路径中有中文名称，此处没有，可以省略outfile = u'E:\\pythondata\\julei_out.xlsx'#设置输出文件的位置data = pd.read_excel(datafile)#datafile是excel文件，所以用read_excel,如果是csv文件则用read_csvd = DataFrame(data)d.head()
列名：助攻，身高，比赛时间，年龄，得分，根据这几项进行聚类。
第二步：聚类
#聚类mod = KMeans(n_clusters=3, n_jobs = 4, max_iter = 500)#聚成3类数据,并发数为4，最大循环次数为500mod.fit_predict(d)#y_pred表示聚类的结果#聚成3类数据，统计每个聚类下的数据量，并且求出他们的中心r1 = pd.Series(mod.labels_).value_counts()r2 = pd.DataFrame(mod.cluster_centers_)r = pd.concat([r2, r1], axis = 1)r.columns = list(d.columns) + [u'类别数目']print(r)#给每一条数据标注上被分为哪一类r = pd.concat([d, pd.Series(mod.labels_, index = d.index)], axis = 1)r.columns = list(d.columns) + [u'聚类类别']print(r.head())r.to_excel(outfile)#如果需要保存到本地，就写上这一列
第三步：可视化，简单的标注上分为哪一类怎么能满足？当然要看看可视化效果，毕竟注意一目了然的判断聚类的效果
#可视化过程from sklearn.manifold import TSNEts = TSNE()ts.fit_transform(r)ts = pd.DataFrame(ts.embedding_, index = r.index)import matplotlib.pyplot as plta = ts[r[u'聚类类别'] == 0]plt.plot(a[0], a[1], 'r.')a = ts[r[u'聚类类别'] == 1]plt.plot(a[0], a[1], 'go')a = ts[r[u'聚类类别'] == 2]plt.plot(a[0], a[1], 'b*')plt.show()
因为K-means 算法过于大众化，而且代码其实比较简单的，所以备注比较少，如果需要备注或者有任何疑问，欢迎留言。
如果觉得《聚类分析 - K-means - Python代码实现》对你有帮助，请点赞、收藏，并留下你的观点哦！
