k-Means算法Matlab实现

clc;

clear;

%读取数据文件,生成点矩阵

fileID = fopen('D:\matlabFile\data.txt');

 C=textscan(fileID,'%f %f');

 fclose(fileID);

 %显示数组结果

%celldisp(C);

 %将cell类型转换为矩阵类型,这里只假设原数据为二维属性，且是二维的坐标点

 CC_init=cat(2,C{1},C{2});%用来保存初始加载的值

 CC=CC_init;

 %获得对象的数量

 num=length(C{1});

 %显示初始分布图

 %scatter(C{1},C{2},'filled');

 %%设置任意k个簇

k=3;

%临时存放k个中心点的数组

C_temp=zeros(k,2);

%判断所设置的k值是否小于对象的数量

if k<num

    %产生随机的k个整数

   randC=randperm(num);

   randC=randC(1:k);

   %从原数组中提出这三个点   

   for i=1:k

       C_temp(i,:)=CC(randC(1,i),:);

   end

   %将原数组中的这三个点清空

    for j=1:k

       CC(randC(1,j),:)=zeros(1,2);

    end  

    idZero=find(CC(:,1)==0);

    %删除为零的行

    [i1,j1]=find(CC==0);

    row=unique(i1);

    CC(row,:)=[];

   %分配k个二维数组，用来存放聚类点

   %分配行为k的存储单元

   cluster=cell(k,1,1); 

   %将剔除的三个点加入到对应的三个存储单元,每个单元的第一行置为0，为了存储相对应的簇中心

   for m=1:k

       cluster{m}=cat(1,zeros(1,2),C_temp(m,:));

   end

   %计算其他点到这k个点的距离，然后分配这些点，第一次遍历

   for ii=1:num-k

       %分别计算到三个点的距离       

       minValue=1000000;%最小值，要根据实际情况设定该值

       minNum=-1;%最小值序号

       for jj=1:k

           if minValue>sqrt((CC(ii,1)-C_temp(jj,1))*(CC(ii,1)-C_temp(jj,1))+(CC(ii,2)-C_temp(jj,2))*(CC(ii,2)-C_temp(jj,2)))

               minValue=sqrt((CC(ii,1)-C_temp(jj,1))*(CC(ii,1)-C_temp(jj,1))+(CC(ii,2)-C_temp(jj,2))*(CC(ii,2)-C_temp(jj,2)));

               minNum=jj;

           end

       end

       cluster{minNum}=cat(1,cluster{minNum},CC(ii,:));       

   end

   %初次计算簇中心

   for n=1:k

       c=cluster{n};

       c(1,:)=[];

       cluster{n}(1,:)=mean(c,1);       

   end   

   %下面重复计算簇中心，直到没有变化为止

   flag=1;

   count=0;

   while flag==1

       %将cluster除第一行之外的数据全部清空

       for i=1:k

           c=cluster{i}(1,:);

           cluster{i}=[];

           cluster{i}=c;

       end

       %把所有点重新分簇

       for j=1:num

           minValue=1000000;%最小值，要根据实际情况设定该值

           minNum=-1;%最小值序号

           for i=1:k

               if minValue>sqrt((CC_init(j,1)-cluster{i}(1,1))*(CC_init(j,1)-cluster{i}(1,1))+(CC_init(j,2)-cluster{i}(1,2))*(CC_init(j,2)-cluster{i}(1,2)))

                   minValue=sqrt((CC_init(j,1)-cluster{i}(1,1))*(CC_init(j,1)-cluster{i}(1,1))+(CC_init(j,2)-cluster{i}(1,2))*(CC_init(j,2)-cluster{i}(1,2)));

                   minNum=i;

               end

           end 

           cluster{minNum}=cat(1,cluster{minNum},CC_init(j,:)); 

       end

       %再次计算簇中心，并与原簇中心进行比较

       flag1=1;

       for n=1:k

           c_base=cluster{n}(1,:);

           c=cluster{n};

           c(1,:)=[];

           cluster{n}(1,:)=mean(c,1); 

           c_base=c_base-cluster{n}(1,:);

           if c_base~=0

               flag1=0;

           end            

       end 

       if flag1==0

           flag=1;

       else

           flag=0;

       end

       count=count+1;       

   end   

   %绘制聚类结果

   for i=1:k

       scatter(cluster{i}(:,1),cluster{i}(:,2),'filled');

       hold on

   end   

end