创建k个起始质心
当任意点的簇分配改变时对数据集中的点对每个质心计算点到质心的距离记录距离最小值和簇号将数据点分配给距离最小的簇计算每个簇中的均值，作为下一次循环的质心

def kMeans(dataSet, k, distMeans, createCent):# 初始化质心集和评价集centroids = createCent(dataSet, k)# m为点个数m = shape(dataSet)[0]# (点下标，距离)clusterAssment = mat(zeros(m, 2))# 标志位 判断点的簇分配是否改变clusterChanged = Truewhile clusterChanded:clusterChanged = False# 对于每个数据点for i in range(m):# 记录每个数据点的最小质心下标及其距离minDist = inf; minIndex = -1# 对于每个质心for j in range(k):# 计算点到质心的距离distIJ = distMeans(dataSet[i, :], centroids[j, :])# 记录最小距离及其簇号if distIJ < minDist:minDist = distIJ; minIndex = j# 判断此数据点的簇分配是否改变if clusterAssment[i, 0] != minIndex:clusterChanged = True# 更新簇分配结果clusterAssment[i, :] = minIndex, minDist ** 2# 打印本轮质心print(centroids)# 在本轮的k个簇中for cent in range(k):# 找到簇号为cent的数据点"""clusterAssment[:, 0] : 取评价集第0列所有数据clusterAssment[:, 0].A ： 矩阵.A是把矩阵转换为数组numpyclusterAssment[:, 0].A == cent： 判断评价集中的点是否在cent号簇中   nonzero()： 返回哪些元素不是False或者0，[0]描述行，[1]描述列"""ptsInClust = dataSet[nonzeros(clusterAssment[:, 0].A == cent)[0]]# 算簇中所有距离的平均值"""mean(array, axis):axis:  0 —— 对各列求平均值，返回 1 * n矩阵1 —— 对各行求平均值，返回 m * 1矩阵"""centroids[cent, :] = mean(ptsInClust, axis=0)return centroids, clusterAssment

def createCent(dataSet, k):"""param dataSet: 数据集param k:        需生成k个质点"""# 需要数据集的维度nn = shape(dataSet)[1]# 质点集k*n 注意是二阶矩阵所以是双层的括号centroids = mat(zeros((k, n)))# 生成数据集中每列最大最小之间的随机值for j in range(n):minJ = min(dataSet[:, j])rangeJ = float(max(dataSet[:, j] - minJ))centroids[:, j] = minJ + rangeJ * random()return centroids

def distMeans(vecA, vecB):return sqrt(sum(power(vecA - vecB, 2)))

def loadDataSet(fileName):dataMat = []fr = open(fileName)for line in fr.readlines():curLine = line.strip().split('t')# python3 的map()返回iterator类型 需要转listfltLine = list(map(float, curLine))dataMat.append(fltLine)return dataMat