java版kmeans实现

java版的kmeans实现，可以直接运行，一个是kmeans实现类，一个是运行主类

package TextAnalysis.nyh.cluster.kmeans;
/*
 * k平均聚类算法
*/
public class Kmeans {
	public int[] cluster（double data[][]int k）  {
		// 获得数组长度
		// 取k值，作为分类数
		int dn = data.length;
		int dw = data[0].length;
		// 标记数组
		int clas[] = new int[dn];
		// 聚类中心数组
		double center[][] = new double[k][dw];
		// 挑选随机初始聚类中心
		for （int  i= 0; i < k; i++） {
			int rand = （int）（Math.random（）*dn）;
			for （int j = 0; j < dw; j++） {
				center[i][j] = data[rand][j];
			}
		}
		int iter = 0;
		while （iter < 1000） {
			// 判断每一个数据点属于那一类
			for （int i = 0; i < dn; i++） {
				double dmin[] = new double[k];
				int w1 = 0;
				for （int j = 0; j < k; j++） {
					double d1 = 0;
					for （int ii = 0; ii < dw; ii++） {
						d1 = d1 + （data[i][ii] - center[j][ii]）
								* （data[i][ii] - center[j][ii]）;
//						System.out.println（data[i][ii]+“    “+center[j][ii]+“     “+d1）;
					}
					dmin[j] = d1;
				}
				double min = dmin[0];
				for（int j =0;j					if（min>dmin[j]）{
						min = dmin[j];
						w1 = j;
					}
				}
				clas[i] = w1;// 改变类标记
			}
			// 重新计算聚类中心
			double knum[] = new double[k]; //每类的数量
			double kd[][] = new double[k][dw];//每类距离和
			for （int i = 0; i < k; i++） {
				for （int j = 0; j < dn; j++） {
					if （clas[j] == i） {
						knum[i] = knum[i] + 1;
						for （int ii = 0; ii < dw; ii++） {
							kd[i][ii] = kd[i][ii] + data[j][ii];
						}
					}
				}
			}
			for （int i = 0; i < k; i++）{
				for （int j = 0; j < dw; j++） {
					center[i][j] = kd[i][j] / （knum[i]+1）;
				}
			}
			iter++;
		}
		return clas;
	}
}

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       1247  2015-04-17 19:14  Main.java

     文件       1756  2015-04-17 18:17  Kmeans.java

----------- ---------  ---------- -----  ----

                 3003                    2