Create test.xtx

src/python/10.kmeans/test.xtx

@@ -0,0 +1,43 @@
+# import
+>>> import kMeans
+>>> from numpy import *
+
+# 从文本中构建矩阵，加载测试数据集
+>>> datMat=mat(kMeans.loadDataSet('testSet.txt'))
+
+# 测试 randCent() 函数是否正常运行。
+# 首先，先看一下矩阵中的最大值与最小值
+>>> min(datMat[:,0])
+matrix([[-5.379713]])
+>>> min(datMat[:,1])
+matrix([[-4.232586]])
+>>> max(datMat[:,1])
+matrix([[ 5.1904]])
+>>> max(datMat[:,0])
+matrix([[ 4.838138]])
+
+# 然后看看 randCent() 函数能否生成 min 到 max 之间的值
+>>> kMeans.randCent(datMat, 2)
+matrix([[-3.59997714, -1.43558065],
+        [-3.03744979,  4.35541488]])
+
+# 最后测试一下距离计算方法
+>>> kMeans.distEclud(datMat[0], datMat[1])
+5.184632816681332
+
+# 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）
+>>> myCentroids, clustAssing = kMeans.kMeans(datMat, 4)
+[[ 0.15357605 -0.94962877]
+ [ 3.3593825   1.05965957]
+ [-2.41900657  3.30513371]
+ [-2.80505526 -3.73280289]]
+[[ 2.35622556 -3.02056425]
+ [ 2.95373358  2.32801413]
+ [-2.46154315  2.78737555]
+ [-3.38237045 -2.9473363 ]]
+[[ 2.65077367 -2.79019029]
+ [ 2.6265299   3.10868015]
+ [-2.46154315  2.78737555]
+ [-3.53973889 -2.89384326]]