基本思想
这种聚类方法的思想是把每个样品聚集到其最近均值的类中，在它的最简单说明中，这个过程由下列三步所组成：
（1）把样品粗略分成K个初始类。
（2）进行修改，逐个分派样品到其最近均值的类中（通常用标准化数据或非标准化数据计算欧式距离）。重新计算接受新样品的类和失去样品的类的形心（均值）。
（3）重复第二步，直到各类无元素进出。
KMeans算法流程
KMeans算法是典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。
算法过程：
（1）从N个数据文档随机选取K个数据文档作为质心。
（2）对剩余的每个数据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）迭代二、三步直至新的质心与原质心相等或小于指定阈值，算法结束。
k个初始类聚类中心点的选取对聚类结果具有较大的影响，因为在该算法第一步中是随机地选取任意k个对象作为初始聚类的中心，初始地代表一个簇。该算法在每次迭代中对数据集中剩余的每个对象，根据其与各个簇中心的距离赋给最近的簇。当考察完所有数据对象后，一次迭代运算完成，新的聚类中心被计算出来。如果在一次迭代前后，j的值没有发生变化，则说明算法已经收敛。
下面将使用Scikit-Learn的KMeans来进行聚类：
KMeans聚类首先需要确定聚类中心的数量，所以在进行聚类之前，需要对自己的数据的含义和属性有一定的了解。如果是二维的数据，可以先画一个散点图看一下样本的分布情况，如：
从图像中的数据分布可以看出，样本点大致分为四簇。所以设置初始聚类中心 k=4，如果对数据不是很了解，可以先设置一个k，sklearn.cluster中的KMeans，n_clusters的默认值为8，进行聚类之后，再根据结果的聚类效果来调整聚类中心的数量。
先导入需要的程序包
import matplotlib.pyplot as plt
import numpy as np
from sklearn.cluster import KMeans然后进行数据的处理，将数据处理成符合模型要求的数组
def file2matrix(file_name, separator):
# 数据的预处理
data_list = []
with open(file_name) as file:
for i in file.readlines():
c = i.strip().split(separator)
for j in range(len(c)):
c[j] = eval(c[j])
data_list.append(c)
return np.array(data_list)画出散点图和聚类中心
def draw_pic(data_list):
# 画出散点图
for x in range(len(data_list)):
plt.scatter(data_list[x][0], data_list[x][1], s=30, c='b', marker='.')
def draw_cluster_centers(centers_mat):
# 画出聚类中心
for k in range(len(centers_mat)):
plt.scatter(centers_mat[k][0], centers_mat[k][1], s=60, c='r', marker='D')执行程序，调用相应的函数，进行KMeans聚类，kmeans.cluster_centers_方法返回的是聚类中心的数据点
if __name__ == '__main__':
data_Set = file2matrix('testSet.txt', '\t')
draw_pic(data_Set)
k = 4 # 确定聚类中心的数目
# 执行KMeans算法
kmeans = KMeans(n_clusters=k)
kmeans.fit(np.mat(data_Set))
draw_cluster_centers(kmeans.cluster_centers_)
plt.show()最终得到结果
优点：（1）KMeans算法擅长处理球状分布的数据
（2）简单，容易掌握
缺点：（1）k的取值需要根据经验，没有可借鉴性
（2）对异常偏离的数据非常敏感
参考：
1.机器学习算法原理与编程实践/郑捷著. 北京：电子工业出版社，2015.11
2.多元统计分析/何晓群编著. -4版. --北京：中国人民大学出版社，2015.3
如果有需要测试数据集的，可以在下方评论处留下邮箱，欢迎关注。
