k-means中心点的均值寻找问题

在k-means算法中，寻找中心点的均值是重要操作之一。可以通过以下代码实现：

import numpy as np

# 定义k-means聚类函数
def kmeans(data, k):
    centers = data[:k]  # 随机初始化中心点
    while True:
        # 计算每个样本点离哪个中心点最近
        distances = np.linalg.norm(data[:, np.newaxis] - centers, axis=2)
        labels = np.argmin(distances, axis=1)

        # 更新中心点坐标
        new_centers = np.array([data[labels == i].mean(axis=0) for i in range(k)])

        # 若中心点不再变化，则跳出循环
        if np.allclose(centers, new_centers):
            break
        centers = new_centers

    return centers

# 测试
data = np.random.rand(100, 2)
k = 3
centers = kmeans(data, k)
print(centers)

首先定义一个k-means函数，其中data表示欲聚类的数据，k表示聚类的类别数。函数中先随机初始化k个中心点，然后迭代计算每个样本点离哪个中心点最近，并将样本点划分为相应的类别。接着，根据每个类别的样本点坐标，更新中心点坐标。如果新旧中心点坐标几乎相等，则说明中心点不再变化，跳出循环并返回最终的中心点坐标。最后，通过np.random.rand函数生成100个二维随机数据，然后调用kmeans函数进行聚类，并输出最终的中心点坐标。