补充注释

src/python/10.kmeans/kMeans.py

@@ -4,12 +4,12 @@
 from numpy import *
 
 # 从文本中构建矩阵，加载文本文件，然后处理
-def loadDataSet(fileName):      # 通用函数，用来解析以 tab 键分隔的 floats（浮点数）
-    dataMat = []                # assume last column is target value
+def loadDataSet(fileName):    # 通用函数，用来解析以 tab 键分隔的 floats（浮点数）
+    dataMat = []              # 假设最后一列是目标变量
     fr = open(fileName)
     for line in fr.readlines():
         curLine = line.strip().split('\t')
-        fltLine = map(float,curLine) # 映射所有的元素为 float（浮点数）类型
+        fltLine = map(float,curLine)    # 映射所有的元素为 float（浮点数）类型
         dataMat.append(fltLine)
     return dataMat
 
@@ -19,32 +19,35 @@ def distEclud(vecA, vecB):
 
 # 为给定数据集构建一个包含 k 个随机质心的集合。随机质心必须要在整个数据集的边界之内，这可以通过找到数据集每一维的最小和最大值来完成。然后生成 0~1.0 之间的随机数并通过取值范围和最小值，以便确保随机点在数据的边界之内。
 def randCent(dataSet, k):
-    n = shape(dataSet)[1] # 列数
-    centroids = mat(zeros((k,n))) # 创建质心矩阵
-    for j in range(n): # 穿件随机簇质心，并且在每一维的边界内
-        minJ = min(dataSet[:,j]) 
-        rangeJ = float(max(dataSet[:,j]) - minJ)
-        centroids[:,j] = mat(minJ + rangeJ * random.rand(k,1)) # 随机生成
+    n = shape(dataSet)[1] # 列的数俩
+    centroids = mat(zeros((k,n))) # 创建k个质心矩阵
+    for j in range(n): # 创建随机簇质心，并且在每一维的边界内
+        minJ = min(dataSet[:,j])    # 最小值
+        rangeJ = float(max(dataSet[:,j]) - minJ)    # 范围 = 最大值 - 最小值
+        centroids[:,j] = mat(minJ + rangeJ * random.rand(k,1))    # 随机生成
     return centroids
 
 # k-means 聚类算法
+# 该算法会创建k个质心，然后将每个点分配到最近的质心，再重新计算质心。
+# 这个过程重复数次，知道数据点的簇分配结果不再改变位置。
+# 运行结果（多次运行结果可能会不一样，可以试试，原因为随机质心的影响，但总的结果是对的， 因为数据足够相似，也可能会陷入局部最小值）
 def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):
-    m = shape(dataSet)[0]
-    clusterAssment = mat(zeros((m,2))) # 创建矩阵来分配数据点到质心中
-    centroids = createCent(dataSet, k)
+    m = shape(dataSet)[0]    # 行数
+    clusterAssment = mat(zeros((m,2)))    # 创建一个与 dataSet 行数一样，但是有两列的矩阵，用来保存簇分配结果。
+    centroids = createCent(dataSet, k)    # 创建质心，随机k个质心
     clusterChanged = True
     while clusterChanged:
         clusterChanged = False
-        for i in range(m): # 循环每一个数据点并分配到最近的质心中去
+        for i in range(m):    # 循环每一个数据点并分配到最近的质心中去
             minDist = inf; minIndex = -1
             for j in range(k):
-                distJI = distMeas(centroids[j,:],dataSet[i,:])
-                if distJI < minDist:
+                distJI = distMeas(centroids[j,:],dataSet[i,:])    # 计算距离
+                if distJI < minDist:    # 如果距离比 minDist（最小距离）还小，更新 minDist（最小距离）和最小质心的 index（索引）
                     minDist = distJI; minIndex = j
             if clusterAssment[i,0] != minIndex: clusterChanged = True
-            clusterAssment[i,:] = minIndex,minDist**2
+                clusterAssment[i,:] = minIndex,minDist**2    # 更新簇分配结果为最小质心的 index（索引），minDist（最小距离）的平方
         print centroids
-        for cent in range(k): # 重新计算质心
+        for cent in range(k): # 更新质心
             ptsInClust = dataSet[nonzero(clusterAssment[:,0].A==cent)[0]] # 获取该簇中的所有点
-            centroids[cent,:] = mean(ptsInClust, axis=0) # 分配质心
+            centroids[cent,:] = mean(ptsInClust, axis=0) # 将质心修改为簇中所有点的平均值，mean 就是求平均值的
     return centroids, clusterAssment