sklearn.cluster.k_means_._init_centroids

参数：

X：数据集 [n_samples,n_features]。

k : 选k个初始点。

init : 初始化的方法（’k_means++‘, 'random', ' ndarray', or callable）。

random_state : 用于产生中心的产生器，若为整数，则为种子，默认为 global numpy random number generator。

x_squared_norms : 每个样本点的平方范数，默认为none。

init_size : 随机抽样一些样本数据，用这些样本数据来产生初始中心点，以加快运行速度，但其需大于k。

返回：

centers：中心点  （k, n_features）

流程：

1、检查random_state.  将种子转化为np.random.RandomState instance

2、得到n_samples 。 即样本数量。

3、检验init_size值：如果  init_size不是None 并且  init_size 小于 n_samples：init_size 还需要满足其不小于k。如果小于则将init_size的值变为k的3倍。这样就得到了合理的init_size值。然后利用random_state产生init_size个随机数作为样本坐标。然后更新X，X_squared_norms,n_samples。

4、检验n_sample值与k，若n_sample<k则报错。

5、检验init参数，根据不同的init参数值调用不同的过程来产生中心点。

            (1) 、k_means++ : 一种产生初始点的启发式方法。 调用_k_init函数。产生k个初始点。其过程参见_k_init函数。

            (2) 、random : 利用 random_state.permutation(n_samples)产生一个随机排列，然后选取前k个作为初始中心点。

            (3) 、其他情况，若init 具有__array__ 属性。将init作为centers

            (4) 、如果init为可调用的， 则调用init将其约定参数为(X,k,random_state)

            (5)、 若非这些情况则报错。

6、到了这儿就得到了centers。判断是否为稀疏矩阵，若是将其转化为统一格式。

7、返回前检验centers数据的样本个数是否为k，若不为k则报错。

8、返回centers