（上接第二章）
4.3.1 KMeans 算法流程
算法的过程如下：
（1）从N个数据文档随机选取K个文档作为质心
（2）对剩余的每个文档测量其到每个质心的距离，并把它归到最近的质心的类
（3）重新计算已经得到的各个类的质心
（4）迭代（2）~（3）步直至新的质心与原质心相等或者小于指定阀值，算法结束。
4.3.2 辅助函数
（1）文件数据转为矩阵：file2matrix
def file2matrix(path,delimiter):recordlist = []fp = open(path,"rb")#读取文件内容content = fp.read()fp.close()rowlist = content.splitlines()#按行转化为一维表#逐行遍历，结果按分割符分割为行向量recordlist = [map(eval,row.split(delimiter)) for row in rowlist if row.strip()]#eval:字符串转为、矩阵形式
return mat(recordlist)#返回转换后的矩阵形式
（2）根据聚类中心绘制散点图，以及绘制聚类中心：默认4个聚类中心
def color_cluster(dataindx,dataSet,plt,k = 4):index = 0datalen = len(dataindx)for indx in xrange(datalen):if int(dataindx[indx]) == 0:plt.scatter(dataSet[indx,0],dataSet[indx,1],c='blue',marker='o')elif int(dataindx[indx]) == 1:plt.scatter(dataSet[indx,0],dataSet[indx,1],c='green',marker='o')elif int(dataindx[indx]) == 2:plt.scatter(dataSet[indx,0],dataSet[indx,1],c='red',marker='o')elif int(dataindx[indx]) == 3:plt.scatter(dataSet[indx,0],dataSet[indx,1],c='cyan',marker='o')index += 1#绘制散点图def drawScatter(plt,mydata,size = 20,color = 'blue',mrkr = 'o'):plt.scatter(mydata.T[0],mydata.T[1],s = size,c = color,marker = mrkr)
（3）欧式距离公式
#欧式距离def distEclud(vecA,vecB):return linalg.norm(vecA-vecB)
（4）随机生成聚类的中心
def randCenters(dataSet,k):n = shape(dataSet)[1] #初始化聚类中心矩阵：k*nclustercents = mat(zeros(k,n))for col in xrange(n):mincol = min(dataSet[:,col])maxcol = max(dataSet[:,col])#random.rand(k,1)：产生一个0~1之间的随机数向量：k，1表示k行1列的随机数clustercents[:,col] = mat(mincol+float(maxcol-mincol)*random.rand(k,1))return clustercents
4.3.3 聚类主函数
第一阶段：导入所需要的库，导入数据集，指定聚类中心k：
dataMat = file2matrix("./iris.txt"," ") #从文件构建的数据集dataSet = mat(dataMat[:,1:]) #转换为矩阵的形式
m = dataSet.shape[0]
k = 4 #外部指定的聚类中心 #与数据等长，共两列。 #:列1：数据集对应的聚类中心k： #列2：数据集行向量到聚类中心的距离 ClusDist = mat(zeros((m,2))) clutercents = randCenters(dataSet,k) #随机生成聚类中心 flag = True #初始化迭代所需的标志位 counter = []
第二阶段：算法停止迭代，即dataSet的所有向量都能找到某个聚类中心，到此中心的距离均小于其他k-1个中心的距离。
while flag: #主循环flag = False#默认设置退出标志（False）
第三阶段：内循环1遍历dataSet数据集，计算dataSet每行与聚类的最小欧氏距离，并以此更新聚类中心。
算法停止条件：ClustDist[i,0] == minIndex
for i in xrange(m):#遍历k个聚类中心，获取最短距离distlist = [distEclud(clustercents[j,:],dataSet[i,:]) for j in range(k)]minDist = min(distlist)minIndex = distlist.index(minDist)if ClusDist[i,0] != minIndex: #找到一个新聚类中心flag = True#重置标志位True，继续迭代#更新聚类中心ClusDist[i,:] = minIndex,minDist
第四阶段：内循环2遍历每个聚类中心，计算DataSet已聚类的子列均值，并以此更新聚类中心。
for cent in xrange(k):#从ClustDist的第一列筛选出等于cent的行下标pstInClust = dataSet[nonzero(ClusDist[:,0].A == cent)[0]]#计算pstInClust各列的均值：mean(ptsInClust,axis = 0):axis=0 #按列计算clustercents[cent,:] = mean(ptsInClust,axis = 0)
4.3.4 评估分类结果：
第五阶段：分类结果可视化。
#返回计算完成的聚类中心print "clustercents:\n",clustercents#根据ClustDist分类和描绘数据点color_cluster(ClusDist[:,0:1],dataSet,plt)#绘制聚类中心drawScatter(plt,clustercents,size=60,color='red',mrkr='D')plt.show()
