K-Means 聚类算法：计算每个点到最近中心点的平均距离

1. 问题描述

在 K-Means 聚类算法中，我们需要将每个数据点分配到离它最近的中心点类别下，并计算每个点到离它最近的中心点的平均距离。

2. 代码实现

def classify(pt, centers):
    temp = [distance(pt, centers[i]) for i in range(len(centers))]
    index = np.argmin(temp)
    dist = temp[index]
    return (index, dist)

# 将每个点归入到离它最近的中心点类别下
########## Begin ##########
# 初始化每个类别的点集
categories = [[] for _ in range(k)]

# 对于每个点，计算其离最近中心点的距离，并将其归入到对应的类别下
for i in range(len(X)):
    pt = X[i]
    index, _ = classify(pt, centers)
    categories[index].append(pt)

# 计算每个点到离它最近的中心点的平均距离
avg_distances = []
for i in range(k):
    pts = categories[i]
    distances = [distance(pt, centers[i]) for pt in pts]
    avg_dist = np.mean(distances)
    avg_distances.append(avg_dist)
########## End ##########

3. 代码解析

classify(pt, centers) 函数用于计算给定点 pt 到所有中心点的距离，并返回距离最近的中心点索引和距离。
categories 数组用于存储每个类别下的所有点。
代码首先初始化每个类别下的点集为空列表。
然后，对于每个点 pt，调用 classify 函数计算其离最近中心点的距离，并将该点加入到对应的类别下。
最后，计算每个类别下所有点到其最近中心点的平均距离，并将结果存储在 avg_distances 数组中。

4. 总结

本文介绍了 K-Means 聚类算法中计算每个点到最近中心点的平均距离的代码实现，并提供了完整的代码示例和详细的解释。通过这些代码，我们可以更好地理解 K-Means 算法的计算过程，并将其应用于实际的数据分析任务中。