我有一个距离矩阵（元素之间的成对距离），我想找到集合的质心并获取每个元素与质心之间的距离。
我试图使用 k-means 来做到这一点并设置 n_clusters=1
km = KMeans(n_clusters=1)
km.fit(distance_matrix)
km.cluster_centers_
cluster_centers_ 返回坐标列表，但我不确定这是否代表每个元素与质心之间的距离。
如果 k-means 不是解决这个问题的正确方法，我应该使用哪种算法？
【问题讨论】：
标签： python scikit-learn data-science k-means distance-matrix
# To obtain the centers of the clusters
centroids = km.cluster_centers_
假设数据集是一个数据框（m*n 维）。
# distances
distances = np.empty((0,len(dataset.axes[0])), float)
# getting points and distances
for i, center_elem in enumerate(centroids):
print(len(center_elem))
# cdist is used to calculate the distance between center and other points
distances = np.append(distances, cdist([center_elem],dataset[clusters == i],'euclidean'))
所以，现在距离是点到对应质心的距离。
【讨论】：
K-Means 不使用成对距离。所以距离矩阵对于这个算法是没有用的。 K-Means 接受 2D 或更多数据样本。为您的数据集定义您的特征（维度）并相应地提供数据，构建矩阵，然后像上面那样将矩阵传递给 K-Means。
km.cluster_centers_ 将返回质心列表。
您至少需要一些参考地来计算质心，至少需要计算点的坐标。然后，您甚至可以使用 k-means 来计算各种集群中的质心。然后你可以计算每个点到质心的距离。如果没有给出点之间的坐标，距离矩阵在这里是没有用的。
【讨论】：