无外部库实现K-means聚类时生成空簇列表问题求助

问题描述 #

当前正在实现面向大型数据集的K-means算法，全程不依赖第三方库自主编码，遇到的核心问题是无法根据簇中心坐标生成对应簇的归属样本列表。 #

测试数据集 #

dataset1 = [(6.08804, 3.457729), (4.147974, 5.275341), (6.538759, 3.670323), 
            (4.579573, 4.03559), (4.756026, 4.184762), (5.221742, 2.872705)]

cluster_1 = (0, 1)
cluster_2 = (1, 2)
clusters = [cluster_1, cluster_2] # 簇中心与数据集距离较远，仅用于逻辑测试

原有实现代码 #

1. 欧式距离计算函数

def calculate_distance(point1, point2):
    distance = 0
    for i in range(len(point1)):
        # 欧氏距离公式
        distance += (point1[i] - point2[i])**2
    return distance**0.5

2. 最近簇中心匹配函数

def find_nearest_centre(dataset1, clusters):
    nearest_point = []
    min_distance = 100000
    for c in clusters:
        distance = calculate_distance(c, dataset)
        if distance < min_distance:
            min_distance = distance
        nearest_point.append(min_distance)
        
    return nearest_point

3. 簇样本列表生成函数

def create_list(dataset1, clusters):
    list_1 = []
    list_2 = []
    for d in dataset1:
        nearest_centre = find_nearest_centre(d, clusters)
        if nearest_centre == clusters[0]:
            list_1.append(d)
        elif nearest_centre == clusters[1]:
            list_2.append(d)
        
    return list_1, list_2

问题现象 #

调用create_list(dataset1, clusters)后返回的两个簇列表均为空，预期输出为前3个样本归属第一个簇，后3个样本归属第二个簇：

list_1 = [(6.08804, 3.457729), (4.147974, 5.275341), (6.538759, 3.670323)]
list_2 = [(4.579573, 4.03559), (4.756026, 4.184762), (5.221742, 2.872705)]

问题定位与修复 #

原有代码存在3个核心逻辑错误：

• 参数引用错误：find_nearest_centre函数内部调用calculate_distance时误用了未定义的dataset变量，参数命名dataset1易产生混淆（实际接收单个数据点）
• 返回值不匹配：find_nearest_centre当前返回的是最小距离列表，而非距离最近的簇中心元组，导致后续等于判断永远不成立，列表无法追加数据
• 匹配逻辑错误：仅记录最小距离数值，未同步记录距离最小的簇中心，输出不符合功能定位

修正后完整代码 #

# 欧式距离计算函数逻辑正确，无需修改
def calculate_distance(point1, point2):
    distance = 0
    for i in range(len(point1)):
        distance += (point1[i] - point2[i])**2
    return distance**0.5

# 修正最近簇中心匹配函数
def find_nearest_centre(point, clusters):
    min_distance = float('inf')
    nearest_cluster = None
    for c in clusters:
        distance = calculate_distance(c, point)
        if distance < min_distance:
            min_distance = distance
            nearest_cluster = c
    return nearest_cluster

# 修正簇样本列表生成函数（核心逻辑无需修改，适配修改后的匹配函数即可）
def create_list(dataset1, clusters):
    list_1 = []
    list_2 = []
    for d in dataset1:
        nearest_centre = find_nearest_centre(d, clusters)
        if nearest_centre == clusters[0]:
            list_1.append(d)
        elif nearest_centre == clusters[1]:
            list_2.append(d)
    return list_1, list_2

预期输出适配说明 #

当前测试用的簇中心(0,1)和(1,2)距离所有样本点的距离均是(1,2)更近，运行后所有样本会被分配到第二个簇。如果需要达到你给出的预期输出，可以调整簇中心为更贴合样本分布的取值，例如：

cluster_1 = (6, 3.5)
cluster_2 = (4.5, 4)

运行后即可得到预期的分簇结果。

内容的提问来源于stack exchange，提问作者user14268322