imago_pack/k_means.py

   1 """K-means module."""
   2
   3 import random
   4
   5 def cluster(k, d, data, i_centers=None):
   6     """Find *k* clusters on *d* dimensional *data*."""
   7     borders = [(min(p[0][i] for p in data), max(p[0][i] for p in data))
   8                for i in range(d) ]
   9     if i_centers:
  10         old_centers = i_centers
  11     else:
  12         old_centers = [[(h - l) * random.random() + l for (l, h) in borders]
  13                for _ in range(k)]
  14     clusters, centers = next_step(old_centers, data)
  15     while delta(old_centers, centers) > 0:
  16         old_centers = centers
  17         clusters, centers = next_step(old_centers, data)
  18
  19     return clusters
  20
  21 def next_step(centers, data):
  22     clusters = [[] for _ in centers]
  23     for point in data:
  24         clusters[nearest(centers, point)].append(point)
  25     centers = [centroid(c) for c in clusters]
  26     return clusters, centers
  27
  28 def nearest(centers, point):
  29     d, i = min(((sum((p - c) ** 2 for (p, c) in zip(point[0], center)) ** 0.5 ,
  30                 index) if center else (float('inf'), len(centers)))
  31                for (index, center) in enumerate(centers))
  32     return i
  33
  34 def centroid(cluster):
  35     l = float(len(cluster))
  36     try:
  37         d = len(cluster[0][0]) #TODO empty cluster error
  38     except IndexError:
  39         return None
  40     return [sum(c[0][i] for c in cluster) / l for i in range(d)]
  41
  42 def delta(c1, c2):
  43     return sum((sum(abs(cc1 - cc2) for (cc1, cc2) in zip (ccc1, ccc2)) if ccc2
  44                else 0.) for (ccc1, ccc2) in zip(c1, c2))