K Means聚类更新分配

K-Means聚类算法的更新分配步骤是指在每次迭代中，将每个样本点重新分配到最近的聚类中心。下面是一个示例代码，展示了如何实现K-Means聚类算法的更新分配步骤：

import numpy as np

def k_means(data, k, max_iterations=100):
    # 随机初始化k个聚类中心
    centroids = data[np.random.choice(range(len(data)), size=k, replace=False)]
    
    for _ in range(max_iterations):
        # 初始化每个聚类的样本点列表
        clusters = [[] for _ in range(k)]
        
        # 分配每个样本点到最近的聚类中心
        for point in data:
            distances = [np.linalg.norm(point - centroid) for centroid in centroids]
            closest_centroid = np.argmin(distances)
            clusters[closest_centroid].append(point)
        
        # 更新每个聚类的中心点
        for i, cluster in enumerate(clusters):
            centroids[i] = np.mean(cluster, axis=0)
    
    return centroids, clusters

# 示例用法
data = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])
k = 2

centroids, clusters = k_means(data, k)
print("聚类中心点：")
print(centroids)
print("每个聚类的样本点：")
for i, cluster in enumerate(clusters):
    print(f"聚类{i+1}：")
    print(cluster)

在上述代码中，首先随机初始化了k个聚类中心点。然后，通过迭代更新分配的步骤，将每个样本点分配到最近的聚类中心。在更新分配之后，根据新的聚类划分，计算每个聚类的中心点。重复这个过程直到满足最大迭代次数或收敛条件。最后返回聚类中心点和每个聚类的样本点。

上述代码以numpy数组的形式表示数据，并使用欧氏距离计算样本点到聚类中心的距离。对于较大的数据集，可以使用更高效的数据结构和距离计算方法来提高性能。