k-中心点算法Matlab代码实现

之前总结了一篇k-中心点算法的文章后，现给出Matlab代码实现，代码含有详细的注释便于读者理解。

clc;  
clear;  
%读取数据文件生成点矩阵  
fileID = fopen（‘E:\MySoftware\matlabWorks\textK_Mediods\sample.txt‘）;  
 C=textscan（fileID‘%f %f‘）; %textscan函数读取数据
 fclose（fileID）; %关闭一个打开的fileID的文件
 %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（2C{1}C{2}）;%用来保存初始加载的值  
 CC=CC_init;  %cat函数用于连接两个矩阵或数组
  %获得对象的数量  
 num=length（C{1}）;  
 %显示初始分布图  
 grid on;%显示表格
 scatter（C{1}C{2}‘filled‘）;  %filled为实心圆，该函数可以把C中所有坐标的点都画出来。
 %%设置任意k个簇  
k=4;  
%临时存放k个中心点的数组  
C_temp=zeros（k2）;  
%判断所设置的k值是否小于对象的数量  
if k    %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（1i）:）;  
   end  
   %将原数组中的这三个点清空  
    for j=1:k  
       CC（randC（1j）:）=zeros（12）;  
    end    
    idZero=find（CC（:1）==0）;  
    %删除为零的行  
    [i1j1]=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（k11）;   
    %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}=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 i=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 j=1:k  
           if minValue>sqrt（（CC（i1）-C_temp（j1））*（CC（i1）-C_temp（j1））+（CC（i2）-C_temp（j2））*（CC（i2）-C_temp（j2）））  
               minValue=sqrt（（CC（i1）-C_temp（j1））*（CC（i1）-C_temp（j1））+（CC（i2）-C_temp（j2））*（CC（i2）-C_temp（j2）））;  
               minNum=j;  
           end  
       end  
       cluster{minNum}=cat（1cluster{minNum}CC（i:））;         
   end  
   %随机选择p点  
   flag=1;  
   count=0;  
   while flag==1  
       randC=randperm（num-k）;  
       randC=randC（1:1）;    
       o_random=CC（randC:）;  
       %找出该随机点所在的簇  
       recordN=0;  
       for i=1:k        
           for j=1:size（cluster{i}1）        
               cc=cluster{i}（j:）;  
               cc=cc-o_random;  
               if cc==0  
                   recordN=i;  
                   break;  
               end  
           end  
       end  
       %将选择的随机点从点集中删除  
       CC（randC:）=[];  
       %计算替换代价  
       o=cluster{recordN}（1:）;  
       o_rand_sum=0;  
       o_sum=0;  
       for i=1:length（CC）  
           o_rand_sum=o_rand_sum+sqrt（（CC（i1）-o_random（11））*（CC（i1）-o_random（11））+（CC（i2）-o_random（12））*（CC（i2）-o_random（12）））;  
           o_sum=o_sum+sqrt（（CC（i1）-o（11））*（CC（i1）-o（11））+（CC（i2）-o（12））*（CC（i2）-o（12）））;  
       end  
       %如果随机选择的点的代价小于原始代表点的代价，则替换该代表点，然后重新聚类  
       if o_rand_sum           cluster{recordN}（1:）=o_random;  
           %将代表点放入对象集  
           CC=cat（1CCo）;  
           %对所有对象重新进行聚类  
           %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   
           %重新聚类  
          

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        4422  2018-06-14 22:00  textK_Mediods\k_medoids.m
     文件        8976  2018-06-07 19:19  textK_Mediods\sample.txt