说这算法之前的话，前期的准备工作，请看我前面的博客。上一篇，我说到了K-means聚类算法，但是有很多的不足，有很多能够改进的地方，例如，怎样使得聚类效果达到全局最优(可能的最好结果)呢？

那么接下来的二分K-means算法就来解决这个问题了。

一、二分K-means算法

二分K均值算法的基本思想：首先将所有的点作为一个簇来对待，并对这个簇进行K均值聚类，然后计算划分开的两个簇的总误差平方和SSE(Sum of Squared Error)，将SSE较小的那个簇经行划分，以此类推，每次repeat对每个Current簇经行SSE比较，每次都是对最小SSE的簇划分(这样好贪心啊)，最后当簇的个数达到K值的时候，那么整个循环就over了，我们的聚类也是完成了，最后就是显示结果了。

算法伪代码如下：

##############################################################################

###########################################################################

将所有的点看成一个簇

当簇的数目小于K时

对于每一个簇

计算总误差

在给定的簇上面进行K均值聚类(K=2)

计算将该簇一分为二后的总误差

选择使得误差最小的那个簇进行划分操作

############################################################################################

二、python实现

数据集和需要的包和安装过程，我前面的博客中都有了详细的讲解，因为二分K-means的基础还是K聚类，所以我把他们放一起了，这样的话，统一的接口，统一的数据类型，这真是极好的，接下来，我就直接贴代码了。

k-means.py

###########################################################################

def euclDistance1(point1,point2):

b=sum(np.power(point1-point2,2))

return

np.sqrt(b[0,0]+b[0,1])

#init points with random using list

def initPoints1(tt,k):

num,dim=tt.shape

points=np.zeros((k,dim))

r_list=range(0,80)

b_list=random.sample (r_list,k)

for

i in range(k):

index1=int(random.uniform (0,num))

points[i,:]=tt[index1,:]

return

points

#kmeans cluster using list

def

kmeans1(tt,k):

clusterState=True

clusterAssment=np.zeros([len(tt),2])

points=initPoints1(tt,k)

while

clusterState:

clusterState=False

for i in range(len(tt)):

minDist=euclDistance1(points[0,:], tt[i,:])

#print(minDist)

#minDist=100000.0

minIndex=0

for j in range(k):

distance = euclDistance1(points[j,:],tt[i,:])

if distance < minDist:

minDist=distance

minIndex=j

#calculate the count of each cluster

#update cluster

if clusterAssment[i, 0] != minIndex:

clusterState = True

clusterAssment[i, :] = minIndex, minDist**2

for j in range(k):

sumX=0