k-means算法是一种无监督的机器学习算法，虽然是机器学习，但它简单易于实现。本篇采用python语言，自主编程实现k-menas算法，当然python用专门的库函数来实现该算法，但本次主要使用该算法阐述编程思想，所以不采用内置函数。采用自主编写的程序的方式。
k-means算法思想原理
本篇同样重在实现，所以对于原理简单介绍。该算法的思想很简单，通过计算数据点到聚类中心的距离来分类。什么是聚类中心呢？其实就是随机产生的一些点(这些点可以是数据点中的点，也可以不是)。
1
如上图，同颜色为一类，三角形为聚类中心。聚类中心开始时，是随机选取的。图中其他所有点到那个点的距离最近就会被归为那一类。所以可见分类情况，当然分类结果并不理想，这时会计算每一类的质点(就是均值点(avg(x),avg(y))。然后将均值点作为聚类中心再次分类，如下图所示：
2
这是可以发现效果明显优于第一次的聚类，但很明显还不是最好的结果，再次计算新分类的质点，并将它作为新的聚类中心，再次分类，结果如下：
3
这时候结果已经很好了，当质点位置变化不大时寻找新质点分类的过程就会结束。或者可以自己限定质点的寻找次数。以上就是其原理了。
几点说明
通过算法的思想叙述可以发现，开始聚类中心的选择，以及分类的类数是该算法的一个难题，当数据非常大，并且分类并非十分明显的时候，如何确定分为几类，以及初始聚类中心的选择将会十分重要，这部分会在后续完善，在本篇不做太多叙述。
1.点之间的距离计算，以及均值计算问题。点之间的距离计算采用欧式距离(两点间距离公式)或者其他距离都可以。2.质点(聚类中心的计算)，就是该类中所有点x的均值，和所有点y的均值的点(多维的话，就是每个维度的平均值构成的点)。
代码实现
首先我们做一个算法的流程图：
算法步骤
根据该流程，我们应该现实现一个随机产生k个聚类中心的功能
随机产生分类中心
那么我们还应该有一个读取数据文件的操作，我们也用一个函数实现。
读入数据
我们将这两个功能组合一下，第一个步骤就完成了。
步骤一：初始聚类中心
步骤2，我们需要有这样两个功能，计算每个点到各个聚类中心的距离、根据计算的距离分类。计算每个点到各个聚类中心的距离我们简化成两个步骤，现实现一个计算两点之间的距离的功能，在实现一个计算各个点到聚类中心的距离的功能。
计算两点距离
在计算每个点到聚类中心点的时候我们采取的计算顺序是用第1个点到聚类中心1，第1个点到聚类中心2,……,第1个点到聚类中心n，第2个点到聚类中心1，第1个点到聚类中心2,……,这样的顺序依次进行的。
计算各个点到聚类中心的距离
接下来实现分类的功能：
实现分类
这样第2个步骤的所有内容就都完成了，我们将所有的功能串联起来，如下：
步骤2的功能实现
步骤3，计算新的聚类中心点，这一步基于我们分类的数据集cal，可以很简单的实现：
产生新的聚类中心
步骤4，我们需要一个设置一个阈值来确定，迭代何时结束。并且这个步骤就是要融合上如步骤2和步骤3的功能，所以完全可以把这个最后的步骤写成整个函数的主函数了。在写主函数之前我们还有写一个画图函数，让我们的每次分类过程能够展现出来，画图功能如下：
绘图函数
主函数
导入的python库
结果zhan'shi
以上代码呢基本上就完成了k-means算法的实现了，还有一个损失函数的计算，在这里不在体现代码的编写，最后依旧附上代码讲解视频。
04:57
最后如果需要源程序的可以评论留下邮箱或者信息！如果对你有用，望多加支持。谢谢！
如果觉得《python kmeans聚类_python机器学习之k-means聚类算法（1）》对你有帮助，请点赞、收藏，并留下你的观点哦！
