class KMeans: """使用Python语言实现聚类算法。""" def __init__(self, k, times): """初始化方法 Parameters ---- k:int 聚类的个数 times:int 聚类迭代的次数 """ self.k = k self.times = times def fit(self, X): """根据提供的训练数据，对模型进行训练。 Parameters ---- X:类数组类型，形状为:[样本数量，特征数量] 待训练的样本特征属性 """ X = np.asarray(X) #设置随机种子，以便于可以产生相同的随机序列。（随机的结果可以重现。） np.random.seed(0) #从数组中随机选择k个点作为初始聚类中心。 self.cluster_centers_ = X[np.random.randint(0, len(X), self.k)] #用于存放数据所属标签 self.labels_ = np.zeros(len(X)) #开始迭代 for t in range(self.times): for index, x in enumerate(X): # 计算每个样本与聚类中心的距离 dis = np.sqrt(np.sum((x - self.cluster_centers_) ** 2, axis=1)) #将最小距离的索引赋值给标签数组。索引的值就是当前点所属的簇。范围为[0, k-1] self.labels_[index] = dis.argmin() #循环遍历每一个簇 for i in range(self.k): #计算每个簇内所有点的均值，更新聚类中心。 self.cluster_centers_[i] = np.mean(X[self.labels_ == i], axis=0) def predict(self, X): """根据参数传递的样本，对样本数据进行预测。（预测样本属于哪一个簇中） Parameters ---- X:类数组类型。形状为:[样本数量，特征数量] 待预测的特征属性。 Returns ---- result:数组类型 预测的结果。每一个X所属的簇 """ X = np.asarray(X) result = np.zeros(len(X)) for index, x in enumerate(X): #计算样本到每个聚类中心的距离。 dis = np.sqrt(np.sum((x - self.cluster_centers_) ** 2, axis=1)) #找到距离最近的聚类中心，划分类别。 result[index] = dis.argmin() return result
出现的问题是：
Anaconda\lib\site-packages\numpy\core\fromnumeric.py:3419: RuntimeWarning: Mean of empty slice. return _methods._mean(a, axis=axis, dtype=dtype,不知道你这个问题是否已经解决, 如果还没有解决的话: