K-means是一种标准的无监督聚类算法，在给定一组“点”和多个K聚类的情况下，它将将每个“点”分配给K个聚类之一。
K均值的伪码
注意，K-means有很多变体。您必须实现我在下面描述的算法。只要给定相同的初始点，您可以获得与该算法相同的结果，就可以对算法进行一些更改或使用内置函数。
在此挑战中，所有输入将是2D平面上的点（每个点由其在x和y中的坐标表示）。
Inputs: K, the number of clusters
P, the set of points
Choose K points of P uniformly at random
Each chosen point is the initial centroid of its cluster
Loop:
For each point in P:
Assign to the cluster whose centroid is the nearest (Euclidean distance)
In case of a tie, any of the tied cluster can be chosen
Recompute the centroid of each cluster:
Its x coordinate is the average of all x's of the points in the cluster
Its y coordinate is the average of all y's of the points in the cluster
Until the clusters don't change from one iteration to the next
Output: the set of clusters
输入和输出
- 您可以通过
STDIN，或将K和P 用作函数参数等。 - P和P中的点可以使用您选择的语言对集合/列表自然使用的任何结构表示。
- K是严格的正整数。
- 您可以假设输入有效。
- P中至少总是有K点。
- 您可以将群集输出到
STDOUT，从函数中返回它们，等等。 - 群集的顺序和群集内部的顺序并不重要。-您可以返回表示聚类的点组，也可以返回每个标记有聚类标识符（例如整数）的点。
测试用例
由于生成的群集取决于最初选择的点，因此您可能不会都获得相同的结果（或每次运行代码时都得到相同的结果）。
因此，仅将输出作为示例输出。
Input:
K = 1
P = [[1,2.5]]
Output:
[[[1,2.5]]]
Input:
K = 3
P = [[4,8], [15,16], [23,42], [-13.37,-12.1], [666,-666]]
Output:
[[[666,-666]],[[-13.37,-12.1],[4,8]],[[15,16],[23,42]]]
Input:
K = 2
P = [[1,1], [1,1], [1,1]]
Output:
[[[1,1]],[[1,1],[1,1]]]
计分
这是代码高尔夫球，因此最短的答案以字节为单位。
当结果与您的算法无法区分时，是否允许使用内置函数？
—
马丁·恩德
@MartinBüttner如果可以证明给定相同的初始点，那么它会收敛于相同的结果，是的。
—
致命
为每个点输出集群成员资格标签也可以吗？（例如，第一个群集的
—
更加模糊的
1所有点都带有标签，第二个群集的所有点都带有标签，2等等）
@flawr是的，这是可以接受的。
—
致命
退化测试用例：
—
彼得·泰勒
K=2, P = [[1,1], [1,1], [1,1]]。