sklearn.cluster.k_means_._labels_inertia()

def _labels_inertia(X, x_squared_norms, centers,
                    precompute_distances=True, distances=None):
    """E step of the K-means EM algorithm.
    Compute the labels and the inertia of the given samples and centers.
    This will compute the distances in-place.
    Parameters
    ----------
    X: float64 array-like or CSR sparse matrix, shape (n_samples, n_features)
        The input samples to assign to the labels.
    x_squared_norms: array, shape (n_samples,)
        Precomputed squared euclidean norm of each data point, to speed up
        computations.
    centers: float64 array, shape (k, n_features)
        The cluster centers.
    precompute_distances : boolean, default: True
        Precompute distances (faster but takes more memory).
    distances: float64 array, shape (n_samples,)
        Pre-allocated array to be filled in with each sample's distance
        to the closest center.
    Returns
    -------
    labels: int array of shape(n)
        The resulting assignment
    inertia : float
        Sum of distances of samples to their closest cluster center.
    """
	# 获取样本数。
    n_samples = X.shape[0]

    # set the default value of centers to -1 to be able to detect any anomaly
    # easily
	# 初始化所属中心的值为-1.
    labels = -np.ones(n_samples, np.int32)

    # 如果distances为空，初始化。
	if distances is None:
        distances = np.zeros(shape=(0,), dtype=np.float64)

    # distances will be changed in-place
	# 稀疏矩阵计算方式，返回距离和，并更新labels。
    if sp.issparse(X):
        inertia = _k_means._assign_labels_csr(
            X, x_squared_norms, centers, labels, distances=distances)

    # dense矩阵计算方式，返回距离和，并更新labels。
	else:
		# 若需预先计算距离
        if precompute_distances:

            return _labels_inertia_precompute_dense(X, x_squared_norms,
                                                    centers, distances)

        inertia = _k_means._assign_labels_array(
            X, x_squared_norms, centers, labels, distances=distances)

    return labels, inertia

函数 ： _labels_insertia_precompute_dense()