#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 18-11-5 下午12:10
# @Author  : Vitan
# @File    : Kmeans.py

from sklearn.datasets import load_iris
import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
x = np.random.randint(1,50,[20,1])

# 定义一个给定形状和类型的用0填充的数组y
y = np.zeros(20)
k = 3 # 分成3类

# 1. 选取数据空间中的K个对象作为初始中心，每个对象代表一个聚类中心；
def initcenter(x,k):
    return x[:k]

# 2. 对于样本中的数据对象，根据它们与这些聚类中心的欧氏距离，
# 按距离最近的准则将它们分到距离它们最近的聚类中心（最相似）所对应的类；

# 计算欧氏距离
def nearest(kc,i):
    d = abs(kc -i) # asb() 取绝对值
    # 返回与聚类中心最小距离所在类别的索引号
    w = np.where(d == np.min(d))
    return w[0][0]

# 按距离最近的准则将它们分到距离它们最近的聚类中心（最相似）所对应的类
def xclassify(x, y, kc):
    # 对数组的每个值进行分类，shape[0]读取矩阵第一维度的长度
    for i in range(x.shape[0]):
        y[i] = nearest(kc, x[i])
        return y
kc = initcenter(x,k)
y = xclassify(x,y,kc)
print(kc,y)

# 3. 更新聚类中心：将每个类别中所有对象所对应的均值作为该类别的聚类中心，计算目标函数的值；
def kcmean(x,y,kc,k):
    l = list(kc)
    flag = False
    for c in range(k):
        m = np.where(y ==0)
        n = np.mean(x[m])
        if l[c] != n:
            l[c] = n
            flag = True
            print(l,flag)
    return (np.array(l),flag)

# 4 . 判断聚类中心和目标函数的值是否发生改变，若不变，则输出结果，若改变，则返回2）
kc = initcenter(x,k)
flag = True # 聚类中心发生改变
print(x,y,kc,flag)
while flag:
    y = xclassify(x,y,kc)
    kc,flag = kcmean(x,y,kc,k)
print(y,kc)

iris = load_iris()
data = iris.data
iris_length = data[:,2]

x = np.array(iris_length)
y = np.zeros(x.shape[0]) # x.shape[0] 只读取x的第一维度长度

# 选取数据空间中的K个对象作为初始中心，每个对象代表一个聚类中心；
kc = initcenter(x,3)

# 按距离最近的准则将它们分到距离它们最近的聚类中心（最相似）所对应的类
flag = True
while flag:
    y = xclassify(x,y,kc)
    kc,flag = kcmean(x,y,kc,3)
print(kc,flag)

plt.scatter(iris_length, iris_length, c = y,cmap = 'rainbow')
plt.savefig('花瓣长度散点图.png')
plt.show()

iris_length = data[:, 2:3]
kmeans = KMeans(n_clusters = 4 )
result = kmeans.fit(iris_length)
kc1 = result.cluster_centers_
y_kmeans = kmeans.predict(iris_length) # 预测每个样本的聚类索引

plt.scatter(iris_length,np.linspace(1,150,150),c = y_kmeans,marker = 'D',cmap = 'rainbow')
plt.savefig('sklearn.cluster.KMeans长度.png')
plt.show()

k_means1 = KMeans(n_clusters = 4)
result1 = k_means1.fit(data)
kc2 = result1.cluster_centers_
y_kmeans1 = k_means1.predict(data)

plt.scatter(data[:, 0], data[:, 1], c = y_kmeans1, marker = 'p',cmap = 'rainbow')
plt.savefig('完整数据聚类.png')
plt.show()