使用numpy在python中重构K-means算法

Question

我正在研究python中的K-means算法并且以直观的方式完成了这个代码，并且想要优化和重构它。

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！

Answer 1

你可以使用列表理解，它应该加快一点点：

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，它可以创建很难找到问题。