Question

我需要帮助来解决这个挑战，我尝试用不同的方法来做到这一点，但最后几个测试用例给了我错误。这是一个 Sololearn 挑战。他们允许我寻求帮助。

任务：

<块引用>

假设给定的簇中有两个簇二维数据点和两个随机点 (0, 0) 和 (2, 2) 是初始聚类质心。计算欧氏距离在每个数据点和每个质心之间，分配每个数据指向它最近的质心，然后计算新的质心。如果有一个平局，将数据点分配给质心为 (0, 0）。如果没有数据点分配给给定的质心，则返回 None。

输入格式：

<块引用>

第一行：一个整数，表示数据点数 (n) 接下来的 n 行：每行两个数值线表示二维空间中的数据点。

输出格式

<块引用>

两个质心的两个列表。数字四舍五入到小数点后第二位地点。

样本输入：

3

1 0

0 .5

4 0

样本输出：

[0.5 0.25]

[4. 0.]

我的尝试：

n = int(input())
X = []
for i in range(n):
    X.append([float(x) for x in input().split()])
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
import numpy as np
from sklearn.metrics.pairwise import euclidean_distances
scale = StandardScaler()
scale.fit(X)
X_scaled = scale.transform(X)
kmeans = KMeans(n_clusters=2)
kmeans.fit(X)
s=(kmeans.cluster_centers_)
for a in s:
    print(np.around(a,2))

Answer 1

根据勾股定理使用这个公式：

例如

import math

x1 = 1 

y1 = 3

x2 = 6

y2 = 8

a = x2 - x1 #get length "a" of triangle rectangle

b = y2 - y1 #get length "b" of triangle rectangle

c = math.sqrt((a**2) + (b**2)) #distance between two 2D coordinates/hypotenuse

易于理解，而且快速简单。

数据科学计算欧几里得距离

1 个答案: