由于数据量较少，就简单的使用了文本文件的形式存储，大致格式如下，身高的单位是CM， 体重的单位是磅，三围的单位是英寸。

算法实现语言：python 2.7, 用到的外部类库 为NumPy，Matplotlib，Pandas。 IDE:IPython Notebook,

其为一个在浏览器端运行的开发工具，非常好用，另外，本篇文章亦是直接使用IPython Notebook写作完成的。

操作 平台：Ubuntu 12.04 算法实现简介：

    实际上并没有用到很复杂的算法，只是我技艺不 精，代码写得很乱。整体的过程是按照PPT里面对k-均值算法的描述那个例子进行操作的， 如首先将数据以向量表示（实际代码实现中，数据以字典形式存储，key为人名，value为身 材数据组成的列表）。然后随意选出k个样本作为质心，将其他非质心样本和质心一一计算 距离，得出非质心样本所属的类。第一次聚类完成，重新计算各个类的质心，将所有样本与 这些个新质心进行距离计算，得出新的分类。然后判断新分类与旧分类直接是否有不同，如 若不同，计算重复上述聚类过程，若同，则聚类完成。代码过程与介绍：下面这段代码用于 计算两个列表之间的距离，也就是计算两个样本向量的距离

import numpy as np
def listOperation(lista,listb):

    temp = (np.array(lista)-np.array(listb))**2
    return np.sqrt(np.sum(temp))

下面这段代码用于计算新的分类，所用参数：第一个为已经聚好的类的结果，结果依然以字 典存储，value则是由人名组成的列表。第二个为元素数据， 从第一个参数获取到人名，然 后利用人名，从datadict这个原始数据中获取该人的身材数据。返回值是一个新的分类结果， 依然是一个字典嵌套列表的形式

import pandas as pd
def cluster(clustdict,datadict):
    dic={}
    newcenter=[]
    clustname=clustdict.keys()#这个存储的应该是聚类的名字
    #print len(clustname)
    for key in clustdict.keys():
        templist = clustdict.get(key)#获取了一个分类里所有的人名
        t = [ datadict.get(i) for i in templist]#将每个人的数据获取过来，嵌入到一个列表中，即嵌套列表
        #print t,'n'
        dt = pd.DataFrame(t)#将数据组织成类似与数据库中的表的数据框
        #print dt,'dt',key


        new = []#new是新的一个质心
        for j in range(len(t[0])):
            new.append(np.sum(dt[j])/len(t))
        #print new,'new'
        newcenter.append(new)
        #print dt
    #i = 0


    #distance = 1000000000
    #print len(newcenter)
    #temp = 0
    for name in datadict.keys():
        temp = [ listOperation(datadict.get(name),new) for new in newcenter]
        #print len(temp),'temp'

        a  = temp.index(np.min(temp))
        if dic.get(a)==None:
            dic[a] = [name]
        else :
            dic[a].append(name)
    #print temp
    return dic

下面这段代码用于判断新的聚类结果与旧聚类结果之间是否有不同。有三个参数，第一个为 新的聚类结果，第二个为旧的聚类结果，第三个则是原始数据。 判断方法：首先，取得各 个分类的人名，然后计算该分类人名的hash值之和，然后将所有分类的hash值，放入到一个 集合中去，比较两个聚类结果的集合是否相同， 就可以判断两次聚类结果是否有变化了。 返回值是一个布尔值。

def comparedict(dic,clustdict):

    diclist = dic.values()
    clustdictlist = clustdict.values()
    d = set()
    c = set()
    for i in range(len(diclist)):
        temp = 0
        for j in range(len(diclist[i])):
            temp = temp + hash(diclist[i][j])
        d.add(temp)
    for i in range(len(clustdictlist)):
        temp = 0
        for j in range(len(clustdictlist[i])):
            temp = temp+hash(clustdictlist[i][j])
        c.add(temp)

    return d==c

下面这段代码的主体部分是处理第一次聚类过程的。由于第一次聚类过程其后面的过程不一 样，第一次聚类的质心就是样本，而后面的聚类过程，则所有的样本数据都是非质心。总体 感觉，这部分代码也是最麻烦的。完成了第一次聚类之后，使用cluster方法进行第二次聚 类，取得新的聚类结果，然后进行两个聚类结果的判断，如此循环，直至聚类结果不再发生 变化。此时返回已经完成的聚类结果。

def kmean(datadict,k):
    if len(datadict)<3:
        print ("数据少于三个，不符合要求")
        return;
    elif k>=len(datadict):
        print ("分类数目太多了")
        return;
    else:

        names = []#保存所有人名
                #print datadict.has_key('拉拉·斯通'),'拉拉'
        for i in datadict.keys():
                    names.append(i)
                center = names[:k]#质心

                noncenter = names[k:]#非质心

                distancelist = [ listOperation(datadict.get(i),datadict.get(j)) for i in noncenter
                                for j in center]
                #print len(distancelist)
                #print len(noncenter),k
                distancearray = np.array(distancelist).reshape(len(noncenter),k)
                distancelist = distancearray.tolist()#此时，distancelist里面的第i项都是第i个非质心
                #与所有之间距离组成的列表，不过这里没有考虑一个非质心与多个质心距离都相等的情况
                sortlist = [ i.index(np.min(i)) for i in distancelist]#获得了与第i个非质心的距离最近的质心的序号
                #sortlist总共有len(noncenter)项
                #print len(sortlist),'sortlist'
                clustdict = {}
                [clustdict.update({i:[i]}) for i in center]#这个是必须的，因为有些质心可能没有人和它距离最近，如果不加这个，
                #他们就不会出现在后面的处理中了

                for i in range(len(noncenter)):
                    if clustdict.get(center[sortlist[i]])==None:
                        clustdict[center[sortlist[i]]]=[center[sortlist[i]],noncenter[i]]#如果字典中不存在该质心，
                        #则以质心为key，非质心以列表为value
                    else:
                        clustdict[center[sortlist[i]]].append(noncenter[i])#字典存在该质心，将该非质心加入到
                        #value列表里面

                #此时，clustdict就以质心为key,质心和非质心组成的列表为value，形成第一次聚类。
                dic = cluster(clustdict,datadict)

                while comparedict(dic,clustdict)==False:
                    clustdict = dic
                    dic = cluster(clustdict,datadict)
                return dic

下面这段数据用于读取数据，进行聚类分析，取得聚类结果，输出结果，输出的结果较为简 单。分类个数设为12,经过多次的测试，发现12左右的时候，结果是比较符合预期的。

import codecs

f  = codecs.open("/home/rickey/Desktop/数据挖掘作业/data",'r','utf8')
datadict = {}
for line in f.readlines():
    line = line.encode('utf8')
    temp= line.split('t')
    datadict[temp[0]] = [float(i) for i in temp[1:]]
#print datadict.get('拉拉·斯通')
dict = kmean(datadict,12)

for i in dict.keys():
    temp = dict.get(i)
    #print temp
    for j in temp:
        print j,
    print 'n'

下面是结果：

金巧巧 徐若瑄

舒淇 玛丽莲 阿朵 关之琳 廖碧儿 张曼玉

林嘉欣 安雅 李玟 温碧霞 章子怡

凯蒂·派瑞 彭丹 洪欣 碧姬·芭铎 碧昂斯 巩俐 安吉利娜-朱丽 衫本彩 霍莉·威洛比 王祖贤

宋慧乔 陈怡蓉 饭岛爱 杨丞琳 阿娇 苍井空 何洁 姚乐怡 佘诗曼

林志玲 李珊珊

萧蔷 蕾哈娜 黛塔·范·提思 钟丽缇 高圆圆 范冰冰 Maggie 韩君婷

郭羡妮 巩新亮 杨幂 韩艺瑟 阿Sa 张柏芝 赵薇 桂纶镁 郑秀文 林心如 奥黛丽赫本

林嘉绮 金·卡戴珊 孟广美 张梓林

拉拉·斯通 应采儿 白歆惠

蔡依林 李慧珍 幸田来未 张韶涵 陈乔恩 朱茵

斯嘉丽·约翰逊

  上面输出的就是聚类结果,但是这些明星我们只是在电视上看到过，只是通过上面的聚类 结果，大概只能确定某几个是对的。下面的代码则是输出更详细的结果，如下：

import codecs
import pandas as pd
f  = codecs.open("/home/rickey/Desktop/数据挖掘作业/data",'r','utf8')
datadict = {}
for line in f.readlines():
    line = line.encode('utf8')
    temp= line.split('t')
    datadict[temp[0]] = [float(i) for i in temp[1:]]
#print datadict.get('拉拉·斯通')
dict = kmean(datadict,12)

for i in dict.keys():
    temp = dict.get(i)
    lenght=0
    for j in temp:
        print j.ljust(10-len(j)),
        if len(j)>9:
            print 't%+*s'%(52,datadict.get(j))
        else:
            print 't%+*s'%(60,datadict.get(j))
    data = [ datadict.get(n) for n in temp]
    dataframe = pd.DataFrame(data)
    t = dataframe.sum()/len(data)
    tlist1 = t.tolist()
    tlist2 = [float('%.1f'%i) for i in tlist1]
    print '平均水平:','t%+*s'%(52,tlist2)
    print 'n'

结果如下：

金巧巧 [164.0, 112.5, 34.0, 25.0, 34.0]
徐若瑄 [161.0, 114.0, 33.0, 25.0, 33.0]
平均水平: [162.5, 113.2, 33.5, 25.0, 33.5]


舒淇 [168.0, 115.0, 34.0, 24.0, 35.0]
玛丽莲 [166.0, 120.4, 35.0, 22.0, 35.0]
阿朵 [166.0, 115.0, 38.0, 30.0, 38.0]
关之琳 [170.0, 117.0, 35.0, 24.0, 35.0]
廖碧儿 [171.0, 117.0, 35.0, 24.0, 34.0]
张曼玉 [168.0, 115.0, 32.4, 23.0, 34.0]
平均水平: [168.2, 116.6, 34.9, 24.5, 35.2]


林嘉欣 [163.0, 108.0, 33.0, 24.0, 34.0]
安雅 [163.0, 104.0, 34.5, 24.0, 35.0]
李玟 [162.0, 105.0, 35.0, 22.5, 35.0]
温碧霞 [164.0, 106.0, 33.0, 23.0, 33.0]
章子怡 [164.0, 108.0, 32.0, 24.0, 34.0]
平均水平: [163.2, 106.2, 33.5, 23.5, 34.2]


凯蒂·派瑞 [173.0, 130.0, 34.0, 27.0, 33.0]
彭丹 [169.0, 125.0, 36.0, 24.0, 36.0]
洪欣 [167.0, 124.0, 33.0, 25.0, 35.0]
碧姬·芭铎 [170.0, 128.0, 35.0, 23.0, 35.0]
碧昂斯 [170.0, 126.0, 35.2, 23.8, 34.4]
巩俐 [168.0, 126.0, 38.0, 30.0, 36.0]
安吉利娜-朱丽 [173.0, 130.0, 36.0, 27.0, 36.0]
衫本彩 [168.0, 124.0, 33.9, 22.6, 33.6]
霍莉·威洛比 [170.0, 123.8, 29.3, 23.4, 30.1]
王祖贤 [172.0, 128.0, 33.0, 25.0, 33.0]
平均水平: [170.0, 126.5, 34.3, 25.1, 34.2]


宋慧乔 [161.0, 101.0, 33.0, 24.0, 32.0]
陈怡蓉 [160.0, 101.0, 32.0, 25.0, 34.0]
饭岛爱 [161.0, 100.0, 33.5, 22.0, 33.5]
杨丞琳 [161.0, 99.0, 32.0, 23.0, 33.0]
阿娇 [160.0, 101.0, 32.0, 24.0, 33.0]
苍井空 [155.0, 101.0, 35.0, 22.4, 32.7]
何洁 [157.0, 104.0, 32.0, 20.0, 35.0]
姚乐怡 [163.0, 101.0, 34.0, 24.0, 34.0]
佘诗曼 [164.0, 96.0, 33.0, 22.0, 34.0]
平均水平: [160.2, 100.4, 32.9, 22.9, 33.5]


林志玲 [174.0, 117.0, 34.0, 24.0, 36.0]
李珊珊 [175.0, 115.0, 36.0, 24.0, 36.0]
平均水平: [174.5, 116.0, 35.0, 24.0, 36.0]


萧蔷 [170.0, 108.0, 34.0, 23.0, 35.0]
蕾哈娜 [173.0, 108.0, 30.0, 24.0, 32.0]
黛塔·范·提思 [168.0, 107.0, 34.0, 22.0, 34.0]
钟丽缇 [168.0, 108.0, 36.0, 24.0, 35.0]
高圆圆 [167.0, 108.0, 33.0, 24.0, 34.0]
范冰冰 [168.0, 112.0, 33.0, 22.0, 32.0]
Maggie [170.0, 106.0, 34.0, 24.0, 34.0]
韩君婷 [168.0, 108.0, 34.0, 24.0, 35.0]
平均水平: [169.0, 108.1, 33.5, 23.4, 33.9]


郭羡妮 [166.0, 103.0, 33.0, 23.0, 34.0]
巩新亮 [168.0, 101.0, 34.0, 22.0, 33.0]
杨幂 [168.0, 99.0, 32.0, 24.0, 32.0]
韩艺瑟 [166.0, 101.0, 33.0, 24.0, 33.0]
阿Sa [165.0, 100.0, 32.0, 23.0, 33.5]
张柏芝 [165.0, 101.0, 33.0, 25.0, 34.0]
赵薇 [166.0, 105.0, 33.0, 23.0, 33.0]
桂纶镁 [164.0, 103.5, 32.0, 23.0, 34.5]
郑秀文 [165.0, 100.0, 31.0, 22.0, 32.0]
林心如 [167.0, 103.5, 33.0, 22.0, 34.0]
奥黛丽赫本 [170.0, 103.5, 32.0, 20.0, 35.0]
平均水平: [166.4, 101.9, 32.5, 22.8, 33.5]


林嘉绮 [180.0, 126.0, 34.0, 25.0, 35.0]
金·卡戴珊 [175.0, 128.0, 35.5, 25.0, 36.0]
孟广美 [178.0, 129.0, 34.0, 26.0, 36.0]
张梓林 [182.0, 128.0, 34.7, 25.0, 34.8]
平均水平: [178.8, 127.8, 34.5, 25.2, 35.5]


拉拉·斯通 [173.0, 112.5, 34.0, 24.0, 35.0]
应采儿 [175.0, 112.5, 33.0, 24.5, 34.0]
白歆惠 [175.0, 112.0, 33.0, 23.0, 35.0]
平均水平: [174.3, 112.3, 33.3, 23.8, 34.7]


蔡依林 [158.0, 92.0, 32.0, 24.0, 32.0]
李慧珍 [160.0, 92.0, 33.0, 24.0, 32.0]
幸田来未 [156.0, 92.0, 33.0, 22.0, 33.0]
张韶涵 [158.0, 90.0, 32.0, 23.5, 32.0]
陈乔恩 [165.0, 90.0, 33.0, 22.0, 33.3]
朱茵 [160.0, 95.0, 33.0, 22.0, 33.0]
平均水平: [159.5, 91.8, 32.7, 22.9, 32.6]


斯嘉丽·约翰逊 [160.0, 108.0, 35.5, 24.6, 35.5]
平均水平: [160.0, 108.0, 35.5, 24.6, 35.5]

从各个类的平均水平来看，分类结果还是比较好的，不过由于三围数据差别不大（估计很多 明星的三围数据有假），发挥主要作用的还是身高和体重。下面这段代码主要是用来观察分 类结果中，身高，体重按照分类结果进行绘制，看看我们的分类是否比较正确

import codecs
import matplotlib.pyplot as plt
f  = codecs.open("/home/rickey/Desktop/数据挖掘作业/data",'r','utf8')
datadict = {}
for line in f.readlines():
    line = line.encode('utf8')
    temp= line.split('t')
    datadict[temp[0]] = [float(i) for i in temp[1:]]
for i in range(12,13):#本来想连续多次绘图的，但是发现绘图的代码自己掌握得不好，很多不会，因此，这里等于是没用了
    #img =plt.figure()

    dict = kmean(datadict,12)
    names = dict.values()
    #data = []
    colors = ['b','g','r','c','m','y','k','orange','pink','purple',[(0.0,  0.4, 0.9),
                                                                    (0.5,  0.7, 1.0),(0.4,  0.5, 1.0)],'grey']
    i=0
    for classitem in names:
        classdata=[]
        for person in classitem:
            figures = datadict.get(person)#获取了一个人的身材数据

            classdata.append((figures[0],figures[1]))
            ax1 = plt.subplot(111)
            ax1.scatter(figures[0],figures[1],c=colors[i],s = i*40)
        i= i+1

绘制的图像如下：

可以看到，整体上身高和体重这两个指标形成的散点图，展示出来的聚类形式，和我们的分 类有较大相似。但是下面的用 胸围/腰围  臀围/腰围绘制的图，就与作出的分类极大不同 了。主要是因为找到的数据基本上很接近，难以区分。

import codecs
import matplotlib.pyplot as plt
f  = codecs.open("/home/rickey/Desktop/数据挖掘作业/data",'r','utf8')
datadict = {}
for line in f.readlines():
    line = line.encode('utf8')
    temp= line.split('t')
    datadict[temp[0]] = [float(i) for i in temp[1:]]
for i in range(12,13):
    #img =plt.figure()

    dict = kmean(datadict,12)
    names = dict.values()
    #data = []
    colors = ['b','g','r','c','m','y','k','orange','pink','purple',[(0.0,  0.4, 0.9),
                                                                    (0.5,  0.7, 1.0),(0.4,  0.5, 1.0)],'grey']
    i=0
    for classitem in names:
        classdata=[]
        for person in classitem:
            figures = datadict.get(person)#获取了一个人的身材数据


            ax1 = plt.subplot(111)
            ax1.scatter(figures[2]/figures[3],figures[4]/figures[3],c=colors[i],s = i*40)
        i= i+1

绘制的图像如下：

总结：感觉代码中还是有错误，但是我还没有发现出来，可能分类的结果还不够准确。比较 不满意的是绘图部分，还是没有很好掌握matplotlib的使用。以后继续努力。