Kmeans聚类的面向对象设计模式

以下是一个使用面向对象设计模式来实现K-means聚类的示例代码：

import numpy as np

class KMeans:
    def __init__(self, k):
        self.k = k
        self.centroids = None
    
    def fit(self, data):
        # 初始化聚类中心
        self.centroids = self._init_centroids(data)
        
        # 迭代更新聚类中心直到收敛
        while True:
            # 将数据点分配给最近的聚类中心
            clusters = self._assign_clusters(data)
            
            # 更新聚类中心
            new_centroids = self._update_centroids(data, clusters)
            
            # 检查是否收敛
            if np.all(self.centroids == new_centroids):
                break
            
            self.centroids = new_centroids
    
    def predict(self, data):
        # 将数据点分配给最近的聚类中心
        clusters = self._assign_clusters(data)
        
        return clusters
    
    def _init_centroids(self, data):
        # 随机选择k个数据点作为初始聚类中心
        indices = np.random.choice(len(data), self.k, replace=False)
        centroids = data[indices]
        
        return centroids
    
    def _assign_clusters(self, data):
        # 分配数据点给最近的聚类中心
        clusters = []
        for point in data:
            distances = np.linalg.norm(self.centroids - point, axis=1)
            cluster = np.argmin(distances)
            clusters.append(cluster)
        
        return np.array(clusters)
    
    def _update_centroids(self, data, clusters):
        # 更新聚类中心为每个聚类的数据点的均值
        new_centroids = []
        for i in range(self.k):
            cluster_points = data[clusters == i]
            cluster_mean = np.mean(cluster_points, axis=0)
            new_centroids.append(cluster_mean)
            
        return np.array(new_centroids)

使用示例：

# 生成示例数据
data = np.random.rand(100, 2)

# 创建KMeans对象并进行聚类
kmeans = KMeans(k=3)
kmeans.fit(data)

# 预测新数据点的聚类
new_data = np.random.rand(10, 2)
clusters = kmeans.predict(new_data)
print(clusters)

这个示例代码使用了面向对象的设计模式来实现K-means聚类算法。KMeans类封装了聚类算法的逻辑，并提供了fit和predict方法来执行聚类和预测操作。使用时，创建KMeans对象并调用fit方法进行聚类，然后可以使用predict方法来预测新数据点的聚类。