使用 numpy 在 python 中重构 K-means 算法答案

【问题标题】：Refactoring K-means algorithm in python, using numpy使用 numpy 在 python 中重构 K-means 算法
【发布时间】：2019-09-10 15:01:19
【问题描述】：

我正在研究 python 中的 K-means 算法，并以直观的方式完成了这段代码，并希望提出优化和重构它的建议。

for i in range(N):
        for j in range(K):
               averages[i, j] = np.linalg.norm(trips[i] - centroids[j])**2

        for i in range(N):
                assigns[i] = int(np.argmin(averages[i]))

        for i in range(K):

                temp = np.zeros([F])
                temp = np.expand_dims(temp, axis=0)

                for j in range(N):
                        if(int(assigns[j]) == i):
                                temp = np.insert(temp, 0, trips[j], axis=0);

                temp = temp[:-1, :]

                if(temp.shape[0] > 0):
                        centroids[i] = temp.sum(axis=0) / temp.shape[0]

谢谢！

【问题讨论】：

标签： python numpy machine-learning refactoring k-means

【解决方案1】：

你可以使用列表推导，它应该会加快一点：

for i1 in range(N):
        averages[i1] = [np.linalg.norm(trips[i1] - centroids[j])**2 for j in range(K)]

        assigns = [int(np.argmin(averages[i2])) for i2 in range(N)]

        for i3 in range(K):
                temp = np.zeros([F])
                temp = np.expand_dims(temp, axis=0)

                for j in range(N):
                        if(int(assigns[j]) == i3):
                                temp = np.insert(temp, 0, trips[j], axis=0)

                temp = temp[:-1, :]

                if(temp.shape[0] > 0):
                        centroids[i3] = temp.sum(axis=0) / temp.shape[0]

我重命名了一些索引，所以我不知道我是否在公式中选择了正确的索引。无论如何，我不建议在嵌套循环中使用相同的索引，它会产生难以发现的问题。

【讨论】：