K-medoids聚类源代码K-means改进

K-medoids聚类算法为K-means算法的改进，k均值算法未计算一个新的点作为聚类中心点，K-medoids遍历原有数据点选择一个最优点（距离最小）为中心点。适用于分类数据。

import random as rand
import math as math
from point import Point
#import pkg_resources
#pkg_resources.require（“matplotlib“）
import numpy as np
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt

class clustering:
    #define creat function initialization
    def __init__（self geo_locs_ k_）:
        self.geo_locations = geo_locs_
        self.k = k_
        self.clusters = []  #clusters of nodes
        self.means = []     #means of clusters
        self.debug = False  #debug flag
    #this method returns the next random node
    def next_random（self index points clusters）:
        #pick next node that has the maximum distance from other nodes
        dist = {}
        for point_1 in points:
            if self.debug:
                print ‘point_1: %f %f‘ % （point_1.latit point_1.longit） 
            #compute this node distance from all other points in cluster
            for cluster in clusters.values（）:
                point_2 = cluster[0]
                if self.debug:
                    print ‘point_2: %f %f‘ % （point_2.latit point_2.longit）
                if point_1 not in dist: #if the point doesnt have the class put it into the closest class


                    dist[point_1] = math.sqrt（math.pow（point_1.latit - point_2.latit2.0） + math.pow（point_1.longit - point_2.longit2.0）） ############because the point only have two dimensions


                else:


                    dist[point_1] += math.sqrt（math.pow（point_1.latit - point_2.latit2.0） + math.pow（point_1.longit - point_2.longit2.0））#calculate the sum distance of every clustering




        if self.debug:
            for key value in dist.items（）:
                print “（%f %f） ==> %f“ % （key.latitkey.longitvalue）
        #now let‘s return the point that has the maximum distance from previous nodes
        count_ = 0
        max_ = 0
        # find the max distance
        for key value in dist.items（）: #put the value and key of the dict into a list
            if count_ == 0:
                max_ = value
                max_point = key
                count_ += 1
            else:
                if value > max_:
                    max_ = value
                    max_point = key
        return max_point
    #this method computes the initial means
    def initial_means（self points）:
        #pick the first node at random
        point_ = rand.choice（points）#choose one point in random
        if self.debug:
            print ‘point#0: %f %f‘ % （point_.latit point_.longit）
        clusters = dict（） #creat an empty dict
        clusters.setdefault（0 []）.append（point_）#setdefault（）:if key doesnt in dictcreat the key and set to default
        points.remove（point_）#remove the center of clustering
        #now let‘s pick k-1 more random points
        for i in range（1 self.k）:
            point_ = self.next_random（i points clusters）#call child function i:the index of clustering center points:clustering sample clusters:clustering cent

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        7894  2018-01-15 11:49  k-medoids-master\clustering.py
     文件        1057  2018-01-15 10:01  k-medoids-master\main.py
     文件         177  2014-08-07 16:11  k-medoids-master\point.py
     文件        1022  2014-08-07 16:11  k-medoids-master\README.md