Python实现k-means聚类：质心值更新问题求助

嘿，我来帮你搞定k-means里更新质心的问题！你已经完成了初始簇分配，接下来计算质心其实就是对每个簇里的所有300维特征求平均值对吧？我给你捋捋具体的实现步骤，还有可能踩的坑。

第一步：按簇编号分组数据 #

首先得把AllData里的数据按簇编号（1-4）分开，这样才能针对性计算每个簇的质心。用字典来分组最方便，键是簇编号，值存该簇所有样本的300维特征列表：

# 初始化字典存储各簇的特征
cluster_features = {1: [], 2: [], 3: [], 4: []}
for item in AllData:
    word, features, cluster_id = item
    cluster_features[cluster_id].append(features)

这里要注意：如果你的features是普通Python列表，后续计算均值时转成numpy数组会更高效；要是已经是numpy数组就不用折腾啦。

第二步：计算每个簇的质心 #

质心的核心逻辑就是簇内所有样本对应维度的平均值，两种实现方式供你选：

方式一：用numpy（推荐，简洁高效） #

numpy可以直接对数组的轴做均值计算，省去手动遍历维度的麻烦：

import numpy as np

new_centroids = {}
for cluster_id, features_list in cluster_features.items():
    # 把特征列表转成(n_samples, 300)的numpy数组
    features_array = np.array(features_list)
    # 对每一列（每个维度）求平均，得到(300,)的质心数组
    centroid = np.mean(features_array, axis=0)
    new_centroids[cluster_id] = centroid

方式二：纯Python实现（不用第三方库） #

如果不想依赖numpy，就手动遍历每个维度累加再求平均：

new_centroids = {}
for cluster_id, features_list in cluster_features.items():
    num_samples = len(features_list)
    # 处理空簇：如果某个簇没有样本，跳过或者保留原质心
    if num_samples == 0:
        continue
    # 初始化全0的300维质心
    centroid = [0.0 for _ in range(300)]
    # 累加每个样本的对应维度值
    for features in features_list:
        for i in range(300):
            centroid[i] += features[i]
    # 求平均得到质心
    for i in range(300):
        centroid[i] /= num_samples
    new_centroids[cluster_id] = centroid

第三步：处理空簇的特殊情况 #

迭代过程中可能出现某个簇没有分配到任何样本的情况，这时候不能直接除以0。你可以选这几种处理方式：

• 保留该簇上一轮的质心，继续参与下一次迭代
• 随机从所有样本里选一个新的样本作为该簇的质心
• 如果允许调整k值，可以合并空簇到其他簇（不过k-means一般固定k值，前两种更常用）

第四步：整合到迭代循环里 #

把上面的步骤放到k-means的主循环中：

1. 先给所有样本分配簇编号（你已经完成这一步）
2. 按上面的方法计算新质心
3. 对比新质心和上一轮质心的差异，如果变化小于设定的阈值（比如所有维度的差值之和小于1e-6），就说明收敛了，停止迭代；否则继续循环分配簇、更新质心。

举个小例子，假设你的AllData结构是这样的：

AllData = [
("apple", [0.1, 0.2, ..., 0.5], 1),
("banana", [0.3, 0.4, ..., 0.7], 2),
# ... 剩下327条数据
]

按照上面的步骤走，应该就能顺利更新质心啦！

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