题解|实现 k-Means 聚类算法

k-Means 聚类算法（k-Means Clustering）是一种常用的聚类算法，用于将数据集分为个簇。具体步骤如下：

1. 随机选择个点作为初始聚类中心。
2. 将每个点分配到最近的聚类中心 本题使用欧几里得距离作为距离度量，即
   
3. 更新聚类中心为每个簇的平均值。
4. 重复步骤2和步骤3，直到聚类中心不再变化或达到最大迭代次数。

通俗点说，就是把n个人分到k个组中，每次都要计算每个人到每个组的距离，然后选择距离最小的组，然后更新组中心。这样最后每个人都会分到离他最近的组中。

标准代码如下

def euclidean_distance(a, b):
    return np.sqrt(((a - b) ** 2).sum(axis=1))

def k_means_clustering(points, k, initial_centroids, max_iterations):
    points = np.array(points)
    centroids = np.array(initial_centroids)
    
    for iteration in range(max_iterations):
        # Assign points to the nearest centroid
        distances = np.array([euclidean_distance(points, centroid) for centroid in centroids])
        assignments = np.argmin(distances, axis=0)

        new_centroids = np.array([points[assignments == i].mean(axis=0) if len(points[assignments == i]) > 0 else centroids[i] for i in range(k)])
        
        # Check for convergence
        if np.all(centroids == new_centroids):
            break
        centroids = new_centroids
        centroids = np.round(centroids,4)
    return [tuple(centroid) for centroid in centroids]