将点分配给 3 维聚类中心

Question

我有一个 600x3 的数据框如下：

 X1        X2        X3
0  0.049150  0.270032  0.577858
1  0.602387  0.065492  0.555747
2  0.598355  0.235002  0.482744
3  0.522151  0.253991  0.402630
4  0.402601  0.206630  0.553987
...

每行表示一个三维点。我已经编写了一个聚类算法来查找三个聚类中心，它们使用 np.vstack 在一个数组中迭代地“堆叠”在一起。

accepted_centroids：

[[ 0.5143811   0.41417482  0.5457288 ]
 [ 0.8176921   0.80723679  0.19689465]
 [ 0.12582636  0.65756533  0.80770862]]

我还保存了每个中心的索引： 接受的索引：

[ 26 420 241]

我现在想根据最小“l2 norm”距离将数据帧中的每个点分配给这些集群之一。我使用以下方法计算了这些集群与其余点之间的距离：

diffy1 = df.iloc[0:].apply(lambda x: np.sqrt(sum((df.iloc[accepted_indices[0]]-x)**2)), axis=1).values
diffy2 = df.iloc[0:].apply(lambda x: np.sqrt(sum((df.iloc[accepted_indices[1]]-x)**2)), axis=1).values
diffy3 = df.iloc[0:].apply(lambda x: np.sqrt(sum((df.iloc[accepted_indices[2]]-x)**2)), axis=1).values

每个输出一个 600x1 的距离向量。我现在的目标是在这三个向量中取第一个值，找到这三个向量中的最小值，然后将数据点分配给相应的集群。可以这么说，这就是我没有想法的地方。希望这里的目标很明确！

注意：我没有使用 K-means 算法，所以这些包不适用。我基本上是在做kmeans的“标签”部分，然后绘制点，根据它们的标签着色。

Answer 1

听起来你想做类似的事情

df.apply(lambda row: np.argmin(np.linalg.norm(accepted_centroids - row.values, axis=1)), axis=1)