import numpy as npx=np.random.randint(1,100,[20,1])     #在1-100范围中产生20行1列的随机数组y=np.zeros(20)k=3 #取数据中k个对象为初始中心,每个对象代表一个聚类中心def initcenter(x,k):                return x[:k]   kc=initcenter(x,k)kc #对于样本中的数据对象，根据它们与这些聚类中心的欧氏距离，按距离最近的准则将它们分到距离它们最近的聚类中心（最相似）所对应的类；def nearest(kc,i):       #数组中的值，与聚类中心最小距离所在类别的索引号    d=(abs(kc-i))    w=np.where(d==np.min(d))    return w[0][0]def xclassify(x,y,kc):      #对每个数据进行循环，将分类的结果放进对应y位置中    for i in range(x.shape[0]):        y[i]=nearest(kc,x[i])        return y #更新聚类中心：将每个类别中所有对象所对应的均值作为该类别的聚类中心，计算目标函数的值；def kcmean(x,y,kc,k):    l=list(kc)    flag=False    for c in range(k):        print(c)        m=np.where(y==c)        print(m,x[m])        n=np.mean(x[m])        print(kc[c],n)        if l[c]!=n:            kc[c]=n         #这个值没赋上            print(type(kc),kc[c])            l[c]=n            flag=True        #聚类中心发生变化            print(l,flag)            return(np.array(l),flag)flag=Trueprint("x值为",x,"y值为",y,"kc值为",kc,"flag值为",flag) #判断聚类中心和目标函数的值是否发生改变，若不变，则输出结果，若改变，则返回2）while flag:    y = xclassify(x,y,kc)    kc, flag = kcmean(x,y,kc,k)    print(y,kc,type(kc))print(x,y) #鸢尾花花瓣长度数据做聚类并用散点图显示import matplotlib.pyplot as pltplt.scatter(x,x,c=x,s=50,cmap="rainbow");plt.show() #鸢尾花花瓣长度数据做聚类并用散点图显示。import numpy as npfrom sklearn.datasets import load_irisiris=load_iris()x=iris.data[:,1]y=np.zeros(150)def initcenter(x,k):    #初始聚类中心数组    return x[0:k].reshape(k)def nearest(kc,i):       #数组中的值，与聚类中心最小距离所在类别的索引号    d = (abs(kc-i))    w = np.where(d == np.min(d))    return w[0][0]def xclassify(x,y,kc):    for i in range(x.shape[0]):       #对数组的每个值进行分类，shape[0]读取矩阵第一维度的长度        y[i] = nearest(kc,x[i])    return ydef kcmean(x,y,kc,k):     #计算各聚类新均值    l = list(kc)    flag = False    for c in range(k):        print(c)        m = np.where(y == c)        n=np.mean(x[m])        if l[c] != n:            l[c] = n            flag = True     #聚类中心发生变化            print(l,flag)    return (np.array(l),flag)k = 3kc = initcenter(x,k)flag = Trueprint(x,y,kc,flag) #判断聚类中心和目标函数的值是否发生改变，若不变，则输出结果，若改变，则返回2while flag:    y = xclassify(x,y,kc)    kc, flag = kcmean(x,y,kc,k)    print(y,kc,type(kc))    print(x,y)import matplotlib.pyplot as pltplt.scatter(x,x,c=y,s=50,cmap="Paired");plt.show() #用sklearn.cluster.KMeans，鸢尾花花瓣长度数据做聚类并用散点图显示import matplotlib.pyplot as pltimport numpy as npfrom sklearn.datasets import load_irisiris = load_iris()X = iris.dataXfrom sklearn.cluster import KMeansest = KMeans(n_clusters = 3)est.fit(X)kc = est.cluster_centers_y_kmeans = est.predict(X)   #预测每个样本的聚类索引print(y_kmeans,kc)print(kc.shape,y_kmeans.shape,np.shape)plt.scatter(X[:,0],X[:,1],c=y_kmeans,s=50,cmap='rainbow');plt.show()