KMeans python 代码

import numpy as np
import random
from matplotlib import pyplot as plt
from matplotlib import image as mpimg
from sklearn.cluster import KMeans
%matplotlib inline

def handleData（imageN）:
    # 归一化
    if filename[-4:]==‘.jpg‘:
        image=image/256
    elif filename[-4:]==‘.png‘:
        image=image[::0:3]
    
    data=image.reshape（（N3））
    return data
	
# 计算欧式距离
def calDis（ab）:
    return np.sum（np.power（a-b2））
#     return np.sum（np.fabs（a-b））

# 初始化聚类中心向量
def initCenter（dataKseed=None）:
    if seed!=None:
        random.seed（seed）
        
    m = np.shape（data）[1]
    center = np.mat（np.zeros（（K m）））
    for col in range（m）:
        min_col = min（data[: col]）
        max_col = max（data[: col]）
        center[: col] = min_col + float（（max_col-min_col）） * np.random.rand（K 1）
    return center
#     return random.sample（list（data）K）


def myKMeans（dataKseed=None）:
#   parameters check
    if K<=0:
        raise ValueError（“Invalid number of initializations: K must be bigger than 0“）
    if data.ndim!=2:
        raise ValueError（“Invalid number of initializations: data‘s dimention must be 2“）
    if data.shape[0]<=0 or data.shape[1]<=0:
        raise ValueError（“Invalid number of initializations: data can not be empty“）
    
    N=data.shape[0]
    #labels存储每个像素点对应的聚类中心向量
    labels=np.zeros（N）
    #centers存储聚类中心向量值
    centers=initCenter（dataKseed）
    print（centers）
    
    #损失函数值
    J=np.Inf
    dis_sum=0
    is_continue=True
    while is_continue:
        dis_sum=0
        is_continue=False

        # 计算各个像素点距离哪个聚类中心最近
        for i in range（N）:
            min_dis=np.Inf
            min_center=-1
            for j in range（K）: