Метод K-means

import numpy as np
import math as mt
import matplotlib.pyplot as plt
import random as ran
import time
start_time = time.time()
 
# генерируем точки
mas = []
for q in range(0, 9):
    a = [ran.randint(1, 4) for i in range(0, 2)]
    mas.append(a)
# генерируем центры
k1 = [ran.randint(1, 4) for i in range(0, 2)]
k2 = [ran.randint(1, 4) for i in range(0, 2)]
 
dist = np.empty((15, 4), dtype=object)  # создаем пустой массив
mis = 0  # ошибка
mists = []  # список всех ошибок (пустой)
 
for i in range(5):  # внешний цикл расчетов
    counter1, counter2 = 0, 0
    curr_k1, curr_k2 = [0, 0], [0, 0]
    for j in range(len(mas)):  # внутренний цикл расчетов
        p = mas[j]  # выбираем первую точку
        distance_k1 = round(mt.fabs((k1[0] - p[0]) + (k1[1] - p[1])), 2)  # расстояние от первого цетра
        distance_k2 = round(mt.fabs((k2[0] - p[0]) + (k2[1] - p[1])), 2)  # расстояние от второго цетра
 
        if distance_k1 > distance_k2:  # узнаем к какому цетру точка ближе
            dist[j, 0] = mas[j][0]
            dist[j, 1] = mas[j][1]
            dist[j, 2] = distance_k2
            dist[j, 3] = 2
        else:
            dist[j, 0] = mas[j][0]
            dist[j, 1] = mas[j][1]
            dist[j, 2] = distance_k1
            dist[j, 3] = 1
        mis += dist[j, 2]**2  # находим ошибку
        mis = round(mis, 2)  # округляем ошибку
 
        if dist[j, 3] == 1:  # просматриваем точки и накапливаем нужный "counter"
            curr_k1[0] += dist[j, 0]
            curr_k1[1] += dist[j, 1]
            counter1 += 1
        else:
            curr_k2[0] += dist[j, 0]
            curr_k2[1] += dist[j, 1]
            counter2 += 1
    mists.append(mis)  # записываем ошибки в список
    n = (mists[i] - mists[i - 1]) / mists[0]  # рассчитываем ошибку на текущей итерации
    if n < 0.1 and i > 1:  # если ошибка менялась незначительно - перестаем перемещать центры
        break
    if counter1 == 0:
        counter1 = 1
    if counter2 == 0:
        counter2 = 1
    # изменяем координаты центров, исходя из точек, которые пренадлежат данному кластеру
    k1[0] = curr_k1[0] / counter1
    k1[1] = curr_k1[1] / counter1
    k2[0] = curr_k2[0] / counter2
    k2[1] = curr_k2[1] / counter2
 
 
# создаем график
x = []
y = []
for p in range(len(mas)):  # цикл наполнения списков координатами точек
    pointx = mas[p][0]
    pointy = mas[p][1]
    x.append(pointx)
    y.append(pointy)
 
# изменяем внешний вид графика
fig = plt.figure()
ax = fig.add_subplot(111)
ax.patch.set_facecolor('black')
ax.set_title('Кластеризация (k-means)', fontsize=16, fontweight="bold")
for m in range(len(mas)):  # цикл вывода точек
    if dist[m][3] == 1:
        point1 = plt.scatter(x[m], y[m], c='g')
    else:
        point2 = plt.scatter(x[m], y[m], c='y')
# центры кластеров
plt.scatter(k1[0], k1[1], c='g', marker='*')
plt.scatter(k2[0], k2[1], c='y', marker='*')
plt.xlabel("Ось X", fontsize=14)
plt.ylabel("Ось Y", fontsize=14)
plt.legend((point1, point2), ['Первый кластер', 'Второй кластер'], bbox_to_anchor=(1.4, 1), facecolor='lightblue', shadow=True)
plt.text(k1[0]-0.2, k1[1]-0.2, "Центр 1", color = 'white')
plt.text(k2[0]-0.2, k2[1]-0.2, "Центр 2", color = 'white')
plt.show()
 
 
print('Первый центр= ', k1)
print('Второй центр= ', k2)
 
print("--- %s seconds ---" % (time.time() - start_time))