聚类

ゞ浴缸里的玫瑰 2022-05-24 01:40 168阅读 0赞

前面做过一个神经网络的分类器

现在有一些数据需要做聚类处理。

那什么叫做聚类呢 跟分类有什么区别。

分类：明确知道类别，然后把数据归类。

聚类：你不知道类别，但你想把这些数据分成N类，根据某种算法把数据进行分组，相似或相近的自动归到一组中。(一般用k均值聚类算法)

聚类与分类相比较：

分类：实例式学习，分类前明确各个类别的信息，并可以直接断言每个元素映射到一个类别；

聚类：无监督学习，在聚类前不知道类别甚至不给定类别数量，不依赖预定义的类和类标号。

聚类的应用：

在许多时候分类条件不满足，尤其是处理海量数据时，如果通过预处理使数据满足分类算法的要求，代价巨大，应考虑聚类算法。

聚类的用途是很广泛的。在商业上，聚类可以帮助市场分析人员从消费者数据库中区分出不同的消费群体来，并且概括出每一类消费者的消费模式或者说习惯。它作为数据挖掘中的一个模块，可以作为一个单独的工具以发现数据库中分布的一些深层的信息，并且概括出每一类的特点，或者把注意力放在某一个特定的类上以作进一步的分析；并且，聚类分析也可以作为数据挖掘算法中其他分析算法的一个预处理步骤。

目前聚类广泛应用于统计学、生物学、数据库技术和市场营销等领域。

聚类算法的局限：

（1）要求数据分离度好。对相互渗透的类无法得到统一的结果。

（2）线性相关。聚类方法分析仅是简单的一对一的关系。忽视了生物系统多因素和非线性的特点。

K均值聚类算法

算法思想：

给定一个有N个元素的集合，划分为K个簇，每一个簇就代表一个聚类，K<N。而且这K个簇满足下列条件：

（1） 每一个簇至少包含一个元素；

（2） 每一个元素属于且仅属于一个簇。

对于给定的K，算法首先给出一个初始的分组方法，以后通过反复迭代的方法改变分组，使得每一次改进之后的分组方案都较前一次优化，即同一分组中的元素相异度降低，而不同分组中的元素相异度升高。

只要去重后集合的元素仍大于k时 才能进行聚类

算法过程：

1、预处理: 数据规格化；

(1).剔除异常数据 剔除异常数据的方法可考虑均值-标准差法

(2).(具体根据情况判断是否需要归一化)

归一化：

当某个属性的取值跨度远大于其他属性时，不利于真实反映真实的相异度，为了解决这个问题，一般要对属性值进行规格化。所谓规格化就是将各个属性值按比例映射到相同的取值区间，这样是为了平衡各个属性对距离的影响。通常将各个属性均映射到\[0,1\]区间，映射公式为：

x'=x-集合最小值/集合最大值-集合最小值

2、从D中随机取k个元素，作为k个簇的各自的中心。

3、分别计算剩下的元素到k个簇中心的相异度，将这些元素分别划归到相异度最低的簇。

4、根据聚类结果，重新计算k个簇各自的中心，计算方法是取簇中所有元素各自维度的算术平均数。

5、将D中全部元素按照新的中心重新聚类。

6、重复第4步，直到聚类结果收敛到不再变化。

7、将结果输出。

我找了一些资料 发现 聚类的运用 一般有三种： 数值聚类(例如成绩聚类) 文本的聚类 坐标点的聚类

数值聚类：

数值聚类是比较简单的 因为它们能直接求均值而不用做其他的一些处理

步骤是：

一: 随机产生是三个不重复的数值 作为 质心

二：计算每一个数值到质心的距离 公式 ： Math.Sqrt(（x-质心）\*（x-质心）) 数值减去质心平方后开方

三：把数值归入到距离最小的 质心所代表的类中

四：计算每个类的均值作为质心，跟旧的质心做对比，如果不相等，则从步骤二开始 迭代。 直到质心值不再变化，这样类就分好了。

下面记录几段比较重要的代码;

1.生成不重复的随机数值

\[csharp\] [view plain][] [copy][view plain]

1. /// <summary>
2. /// get different random
3. /// </summary>
4. /// <param name="arrNum"></param>
5. /// <param name="tmp"></param>
6. /// <param name="minValue"></param>
7. /// <param name="maxValue"></param>
8. /// <param name="ra"></param>
9. /// <returns></returns>
10. **public****int**\[\] getNum(**int** count, **int** total) 
11. \{ 
12. **int**\[\] index = **new****int**\[total\]; 
13. **for** (**int** i = 0; i < total; i++) 
14. \{ 
15. index\[i\] = i; 
16. \} 
17. Random r = **new** Random(); 
18. //用来保存随机生成的不重复的count个数 
19. **int**\[\] result = **new****int**\[count\]; 
20. //int site = total;//设置下限 
21. **int** id; 
22. **for** (**int** j = 0; j < count; j++) 
23. \{ 
24. id = r.Next(0, total - 1); 
25. //在随机位置取出一个数，保存到结果数组 
26. result\[j\] = index\[id\]; 
27. //最后一个数复制到当前位置 
28. index\[id\] = index\[total - 1\]; 
29. //位置的下限减少一 
30. total--; 
31. \} 
32. 
33. **return** result; 
34. 
35. \}

判断新旧质心是否相等

\[csharp\] [view plain][] [copy][view plain]

1. /// <summary>
2. /// judge the value of center
3. /// </summary>
4. /// <param name="center"></param>
5. /// <param name="newcenter"></param>
6. /// <param name="ok"></param>
7. /// <returns></returns>
8. **private****static****bool** judge(**double**\[\] center, **double**\[\] newcenter, **bool** ok) 
9. \{ 
10. **int** count = 0; 
11. **for** (**int** i = 0; i < newcenter.Length; i++) 
12. \{ 
13. **if** (center\[i\] == newcenter\[i\]) 
14. \{ count++; \} 
15. 
16. 
17. \} 
18. **if** (count == newcenter.Length) 
19. \{ 
20. ok = **true**; 
21. \} 
22. **return** ok; 
23. \}

当去重后集合的元素仍大于k时 聚类的过程 迭代 用一个标志 和while（)

\[csharp\] [view plain][] [copy][view plain]

1. **if** (price\_all.Count >= k) 
2. \{ 
3. //cluster the list building element
4. Random Rd = **new** Random(); //make a random example
5. 
6. 
7. 
8. **double**\[\] center = **new****double**\[k\]; 
9. **double**\[\] oldcenter = **new****double**\[k\]; 
10. **int**\[\] ran = **new****int**\[k\]; 
11. **int** temp\_c = price\_all.Count; 
12. ran = getNum(k, temp\_c); 
13. **for** (**int** i = 0; i < center.Length; i++) 
14. \{ 
15. 
16. 
17. center\[i\] = price\_all\[ran\[i\]\]; 
18. 
19. 
20. \} 
21. 
22. 
23. 
24. **for** (**int** i = 0; i < oldcenter.Length; i++) 
25. \{ 
26. oldcenter\[i\] = 0.0; 
27. \} 
28. 
29. **bool** ok = **false**; 
30. 
31. ok = judge(center, oldcenter, ok); 
32. 
33. 
34. 
35. **int** ireation = 0; 
36. **while** (!ok) 
37. \{ 
38. 
39. **for** (**int** i = 0; i < building\_element.Count; i++) 
40. \{ 
41. 
42. //repeat cluster
43. **double** temp\_price = building\_element\[i\].get\_price(); 
44. **double**\[\] distance = **new****double**\[k\]; 
45. **for** (**int** j = 0; j < center.Length; j++) 
46. \{ 
47. **double** v = temp\_price - center\[j\]; 
48. distance\[j\] = Math.Sqrt(v \* v); // distance
49. 
50. \} 
51. //get the min distance
52. **double** temp\_min = 999999999999999999; 
53. **int** min\_index = 999; 
54. **for** (**int** j = 0; j < center.Length; j++) 
55. \{ 
56. 
57. **if** (distance\[j\] <= temp\_min) 
58. \{ 
59. temp\_min = distance\[j\]; 
60. min\_index = j + 1; 
61. \} 
62. 
63. \} 
64. building\_element\[i\].set\_type(min\_index); 
65. 
66. 
67. 
68. \} 
69. 
70. **for** (**int** n = 0; n < k; n++) 
71. \{ 
72. oldcenter\[n\] = center\[n\]; 
73. \} 
74. 
75. 
76. //get averange to be center 
77. **double**\[\] total = **new****double**\[k\]; 
78. **int**\[\] element\_countoftype = **new****int**\[k\]; 
79. **for** (**int** n = 0; n < k; n++) 
80. \{ 
81. 
82. **for** (**int** i = 0; i < building\_element.Count; i++) 
83. \{ 
84. **if** (building\_element\[i\].get\_type() == n + 1) 
85. \{ 
86. total\[n\] += building\_element\[i\].get\_price(); 
87. element\_countoftype\[n\]++; 
88. \} 
89. 
90. \} 
91. 
92. \} 
93. 
94. 
95. **int** count\_no\_zero = 0; 
96. **for** (**int** n = 0; n < k; n++) 
97. \{ 
98. **if** (total\[n\] != 0.0) 
99. \{ 
100. count\_no\_zero++; 
101. \} 
102. 
103. \} 
104. **if** (count\_no\_zero == k) 
105. \{ 
106. **for** (**int** n = 0; n < k; n++) 
107. \{ 
108. center\[n\] = total\[n\] / element\_countoftype\[n\]; 
109. \} 
110. \} 
111. **else**
112. \{ 
113. ran = **new****int**\[k\]; 
114. temp\_c = price\_all.Count; 
115. ran = getNum(k, temp\_c); 
116. **for** (**int** i = 0; i < center.Length; i++) 
117. \{ 
118. 
119. 
120. center\[i\] = price\_all\[ran\[i\]\]; 
121. 
122. 
123. \} 
124. 
125. \} 
126. 
127. 
128. 
129. ok = judge(center, oldcenter, ok); 
130. ireation++; 
131. **this**.Invoke(**new** setStatusDelegate(setStatus), building\_name\_all\[m\], count, ireation); 
132. \} 
133. \}

文本聚类:

文本分类跟数值不同在于 要先对文本进行分词，并用TFIDF计算它们的权重 然后用权重向量进行计算。

思路：计算两篇文档的相似度，最简单的做法就是用提取文档的TF/IDF权重，然后用余弦定理计算两个多维向量的距离。能计算两个文本间的距离后，用标准的k-means算法就可以实现文本聚类了。

完整项目下载：

http://download.csdn.net/detail/q383965374/5960053

下面是一个控制台聚类器的代码:

Program.cs

\[csharp\] [view plain][] [copy][view plain]

1. **using** System; 
2. **using** System.Collections.Generic; 
3. **using** System.IO; 
4. **using** System.Text; 
5. **using** WawaSoft.Search.Common; 
6. 
7. **namespace** WawaSoft.Search.Test 
8. \{ 
9. **class** Program 
10. \{ 
11. **static****void** Main(**string**\[\] args) 
12. \{ 
13. //1、获取文档输入
14. **string**\[\] docs = getInputDocs("input.txt"); 
15. **if** (docs.Length < 1) 
16. \{ 
17. Console.WriteLine("没有文档输入"); 
18. Console.Read(); 
19. **return**; 
20. \} 
21. 
22. //2、初始化TFIDF测量器，用来生产每个文档的TFIDF权重
23. TFIDFMeasure tf = **new** TFIDFMeasure(docs, **new** Tokeniser()); 
24. 
25. **int** K = 3; //聚成3个聚类
26. 
27. //3、生成k-means的输入数据，是一个联合数组，第一维表示文档个数，
28. //第二维表示所有文档分出来的所有词
29. **double**\[\]\[\] data = **new****double**\[docs.Length\]\[\]; 
30. **int** docCount = docs.Length; //文档个数
31. **int** dimension = tf.NumTerms;//所有词的数目
32. **for** (**int** i = 0; i < docCount; i++) 
33. \{ 
34. **for** (**int** j = 0; j < dimension; j++) 
35. \{ 
36. data\[i\] = tf.GetTermVector2(i); //获取第i个文档的TFIDF权重向量
37. \} 
38. \} 
39. 
40. //4、初始化k-means算法，第一个参数表示输入数据，第二个参数表示要聚成几个类
41. WawaKMeans kmeans = **new** WawaKMeans(data, K); 
42. //5、开始迭代
43. kmeans.Start(); 
44. 
45. //6、获取聚类结果并输出
46. WawaCluster\[\] clusters = kmeans.Clusters; 
47. **foreach** (WawaCluster cluster **in** clusters) 
48. \{ 
49. List<**int**> members = cluster.CurrentMembership; 
50. Console.WriteLine("-----------------"); 
51. **foreach** (**int** i **in** members) 
52. \{ 
53. Console.WriteLine(docs\[i\]); 
54. \} 
55. 
56. \} 
57. Console.Read(); 
58. \} 
59. 
60. /// <summary>
61. /// 获取文档输入
62. /// </summary>
63. /// <returns></returns>
64. **private****static****string**\[\] getInputDocs(**string** file) 
65. \{ 
66. List<**string**> ret = **new** List<**string**>(); 
67. **try**
68. \{ 
69. **using** (StreamReader sr = **new** StreamReader(file, Encoding.Default)) 
70. \{ 
71. **string** temp; 
72. **while** ((temp = sr.ReadLine()) != **null**) 
73. \{ 
74. ret.Add(temp); 
75. \} 
76. \} 
77. \} 
78. **catch** (Exception ex) 
79. \{ 
80. Console.WriteLine(ex); 
81. \} 
82. **return** ret.ToArray(); 
83. \} 
84. \} 
85. \}

input.txt内容

奥运 拳击 入场券 基本 分罄 邹市明 夺冠 对手 浮出 水面  
股民 要 清楚 自己 的 目的  
印花税 之 股民 四季  
杭州 股民 放 鞭炮 庆祝 印花税 下调  
残疾 女 青年 入围 奥运 游泳 比赛 创 奥运 历史 两 项 第一  
介绍 一 个 ASP.net MVC 系列 教程  
在 asp.net 中 实现 观察者 模式 ，或 有 更 好 的 方法 （续）  
输 大钱 的 股民 给 我们 启迪  
Asp.Net 页面 执行 流程 分析  
运动员 行李 将 “后 上 先 下” 奥运 相关 人员 行李 实名制  
asp.net 控件 开发 显示 控件 内容  
奥运 票务 网上 成功 订票 后 应 及时 到 银行 代售 网点 付款  
某 心理 健康 站 开张 后 首 个 咨询 者 是 位 新 股民  
ASP.NET 自定义 控件 复杂 属性 声明 持久性 浅析

ITokeniser.cs

\[csharp\] [view plain][] [copy][view plain]

1. **using** System.Collections.Generic; 
2. 
3. **namespace** WawaSoft.Search.Common 
4. \{ 
5. /// <summary>
6. /// 分词器接口
7. /// </summary>
8. **public****interface** ITokeniser 
9. \{ 
10. IList<**string**> Partition(**string** input); 
11. \} 
12. \}

StopWordsHandler.cs

\[csharp\] [view plain][] [copy][view plain]

1. **using** System; 
2. **using** System.Collections; 
3. 
4. **namespace** WawaSoft.Search.Common 
5. \{ 
6. 
7. /// <summary>
8. /// 用于移除停止词
9. /// </summary>
10. **public****class** StopWordsHandler 
11. \{ 
12. **public****static****string**\[\] stopWordsList=**new****string**\[\] \{ "的", 
13. "我们","要","自己","之","将","“","”","，","（","）","后","应","到","某","后", 
14. "个","是","位","新","一","两","在","中","或","有","更","好"
15. \} ; 
16. 
17. **private****static****readonly** Hashtable \_stopwords=**null**; 
18. 
19. **public****static****object** AddElement(IDictionary collection,Object key, **object** newValue) 
20. \{ 
21. **object** element = collection\[key\]; 
22. collection\[key\] = newValue; 
23. **return** element; 
24. \} 
25. 
26. **public****static****bool** IsStopword(**string** str) 
27. \{ 
28. 
29. //int index=Array.BinarySearch(stopWordsList, str)
30. **return** \_stopwords.ContainsKey(str.ToLower()); 
31. \} 
32. 
33. 
34. **static** StopWordsHandler() 
35. \{ 
36. **if** (\_stopwords == **null**) 
37. \{ 
38. \_stopwords = **new** Hashtable(); 
39. **double** dummy = 0; 
40. **foreach** (**string** word **in** stopWordsList) 
41. \{ 
42. AddElement(\_stopwords, word, dummy); 
43. \} 
44. \} 
45. \} 
46. \} 
47. \}

TermVector.cs

\[csharp\] [view plain][] [copy][view plain]

1. **using** System; 
2. **using** System.Collections.Generic; 
3. **using** System.Text; 
4. 
5. **namespace** WawaSoft.Search.Common 
6. \{ 
7. **public****class** TermVector 
8. \{ 
9. **public****static****double** ComputeCosineSimilarity(**double**\[\] vector1, **double**\[\] vector2) 
10. \{ 
11. **if** (vector1.Length != vector2.Length) 
12. **throw****new** Exception("DIFER LENGTH"); 
13. 
14. 
15. **double** denom = (VectorLength(vector1) \* VectorLength(vector2)); 
16. **if** (denom == 0D) 
17. **return** 0D; 
18. **else**
19. **return** (InnerProduct(vector1, vector2) / denom); 
20. 
21. \} 
22. 
23. **public****static****double** InnerProduct(**double**\[\] vector1, **double**\[\] vector2) 
24. \{ 
25. 
26. **if** (vector1.Length != vector2.Length) 
27. **throw****new** Exception("DIFFER LENGTH ARE NOT ALLOWED"); 
28. 
29. 
30. **double** result = 0D; 
31. **for** (**int** i = 0; i < vector1.Length; i++) 
32. result += vector1\[i\] \* vector2\[i\]; 
33. 
34. **return** result; 
35. \} 
36. 
37. **public****static****double** VectorLength(**double**\[\] vector) 
38. \{ 
39. **double** sum = 0.0D; 
40. **for** (**int** i = 0; i < vector.Length; i++) 
41. sum = sum + (vector\[i\] \* vector\[i\]); 
42. 
43. **return** (**double**)Math.Sqrt(sum); 
44. \} 
45. 
46. \} 
47. \}

TFIDFMeasure.cs

\[csharp\] [view plain][] [copy][view plain]

1. /\*
2. \* tf/idf implementation 
3. \* Author: Thanh Dao, thanh.dao@gmx.net
4. \*/
5. **using** System; 
6. **using** System.Collections; 
7. **using** System.Collections.Generic; 
8. **using** WawaSoft.Search.Common; 
9. 
10. 
11. **namespace** WawaSoft.Search.Common 
12. \{ 
13. /// <summary>
14. /// Summary description for TF\_IDFLib.
15. /// </summary>
16. **public****class** TFIDFMeasure 
17. \{ 
18. **private****string**\[\] \_docs; 
19. **private****string**\[\]\[\] \_ngramDoc; 
20. **private****int** \_numDocs=0; 
21. **private****int** \_numTerms=0; 
22. **private** ArrayList \_terms; 
23. **private****int**\[\]\[\] \_termFreq; 
24. **private****float**\[\]\[\] \_termWeight; 
25. **private****int**\[\] \_maxTermFreq; 
26. **private****int**\[\] \_docFreq; 
27. 
28. ITokeniser \_tokenizer = **null**; 
29. 
30. 
31. 
32. 
33. 
34. **private** IDictionary \_wordsIndex=**new** Hashtable() ; 
35. 
36. **public** TFIDFMeasure(**string**\[\] documents,ITokeniser tokeniser) 
37. \{ 
38. \_docs=documents; 
39. \_numDocs=documents.Length ; 
40. \_tokenizer = tokeniser; 
41. MyInit(); 
42. \} 
43. 
44. **public****int** NumTerms 
45. \{ 
46. **get** \{ **return** \_numTerms; \} 
47. **set** \{ \_numTerms = value; \} 
48. \} 
49. 
50. **private****void** GeneratNgramText() 
51. \{ 
52. 
53. \} 
54. 
55. **private** ArrayList GenerateTerms(**string**\[\] docs) 
56. \{ 
57. ArrayList uniques=**new** ArrayList() ; 
58. \_ngramDoc=**new****string**\[\_numDocs\]\[\] ; 
59. **for** (**int** i=0; i < docs.Length ; i++) 
60. \{ 
61. IList<**string**> words=\_tokenizer.Partition(docs\[i\]); 
62. 
63. **for** (**int** j=0; j < words.Count; j++) 
64. **if** (!uniques.Contains(words\[j\]) ) 
65. uniques.Add(words\[j\]) ; 
66. 
67. \} 
68. **return** uniques; 
69. \} 
70. 
71. 
72. 
73. **private****static****object** AddElement(IDictionary collection, **object** key, **object** newValue) 
74. \{ 
75. **object** element=collection\[key\]; 
76. collection\[key\]=newValue; 
77. **return** element; 
78. \} 
79. 
80. **private****int** GetTermIndex(**string** term) 
81. \{ 
82. **object** index=\_wordsIndex\[term\]; 
83. **if** (index == **null**) **return** \-1; 
84. **return** (**int**) index; 
85. \} 
86. 
87. **private****void** MyInit() 
88. \{ 
89. \_terms=GenerateTerms (\_docs ); 
90. NumTerms=\_terms.Count ; 
91. 
92. \_maxTermFreq=**new****int**\[\_numDocs\] ; 
93. \_docFreq=**new****int**\[NumTerms\] ; 
94. \_termFreq =**new****int**\[NumTerms\]\[\] ; 
95. \_termWeight=**new****float**\[NumTerms\]\[\] ; 
96. 
97. **for**(**int** i=0; i < \_terms.Count ; i++) 
98. \{ 
99. \_termWeight\[i\]=**new****float**\[\_numDocs\] ; 
100. \_termFreq\[i\]=**new****int**\[\_numDocs\] ; 
101. 
102. AddElement(\_wordsIndex, \_terms\[i\], i); 
103. \} 
104. 
105. GenerateTermFrequency (); 
106. GenerateTermWeight(); 
107. 
108. \} 
109. 
110. **private****float** Log(**float** num) 
111. \{ 
112. **return** (**float**) Math.Log(num) ;//log2
113. \} 
114. 
115. **private****void** GenerateTermFrequency() 
116. \{ 
117. **for**(**int** i=0; i < \_numDocs ; i++) 
118. \{ 
119. **string** curDoc=\_docs\[i\]; 
120. IDictionary freq=GetWordFrequency(curDoc); 
121. IDictionaryEnumerator enums=freq.GetEnumerator() ; 
122. \_maxTermFreq\[i\]=**int**.MinValue ; 
123. **while** (enums.MoveNext()) 
124. \{ 
125. **string** word=(**string**)enums.Key; 
126. **int** wordFreq=(**int**)enums.Value ; 
127. **int** termIndex=GetTermIndex(word); 
128. **if**(termIndex == -1) 
129. **continue**; 
130. \_termFreq \[termIndex\]\[i\]=wordFreq; 
131. \_docFreq\[termIndex\] ++; 
132. 
133. **if** (wordFreq > \_maxTermFreq\[i\]) \_maxTermFreq\[i\]=wordFreq; 
134. \} 
135. \} 
136. \} 
137. 
138. 
139. **private****void** GenerateTermWeight() 
140. \{ 
141. **for**(**int** i=0; i < NumTerms ; i++) 
142. \{ 
143. **for**(**int** j=0; j < \_numDocs ; j++) 
144. \_termWeight\[i\]\[j\]=ComputeTermWeight (i, j); 
145. \} 
146. \} 
147. 
148. **private****float** GetTermFrequency(**int** term, **int** doc) 
149. \{ 
150. **int** freq=\_termFreq \[term\]\[doc\]; 
151. **int** maxfreq=\_maxTermFreq\[doc\]; 
152. 
153. **return** ( (**float**) freq/(**float**)maxfreq ); 
154. \} 
155. 
156. **private****float** GetInverseDocumentFrequency(**int** term) 
157. \{ 
158. **int** df=\_docFreq\[term\]; 
159. **return** Log((**float**) (\_numDocs) / (**float**) df ); 
160. \} 
161. 
162. **private****float** ComputeTermWeight(**int** term, **int** doc) 
163. \{ 
164. **float** tf=GetTermFrequency (term, doc); 
165. **float** idf=GetInverseDocumentFrequency(term); 
166. **return** tf \* idf; 
167. \} 
168. 
169. **private****float**\[\] GetTermVector(**int** doc) 
170. \{ 
171. **float**\[\] w=**new****float**\[NumTerms\] ; 
172. **for** (**int** i=0; i < NumTerms; i++) 
173. w\[i\]=\_termWeight\[i\]\[doc\]; 
174. 
175. 
176. **return** w; 
177. \} 
178. **public****double** \[\] GetTermVector2(**int** doc) 
179. \{ 
180. **double** \[\] ret = **new****double**\[NumTerms\]; 
181. **float**\[\] w = GetTermVector(doc); 
182. **for** (**int** i = 0; i < ret.Length; i++ ) 
183. \{ 
184. ret\[i\] = w\[i\]; 
185. \} 
186. **return** ret; 
187. \} 
188. 
189. **public****double** GetSimilarity(**int** doc\_i, **int** doc\_j) 
190. \{ 
191. **double** \[\] vector1=GetTermVector2 (doc\_i); 
192. **double** \[\] vector2=GetTermVector2 (doc\_j); 
193. 
194. **return** TermVector.ComputeCosineSimilarity(vector1, vector2) ; 
195. 
196. \} 
197. 
198. **private** IDictionary GetWordFrequency(**string** input) 
199. \{ 
200. **string** convertedInput=input.ToLower() ; 
201. 
202. List<**string**> temp = **new** List<**string**>(\_tokenizer.Partition(convertedInput)); 
203. **string**\[\] words= temp.ToArray(); 
204. 
205. Array.Sort(words); 
206. 
207. String\[\] distinctWords=GetDistinctWords(words); 
208. 
209. IDictionary result=**new** Hashtable(); 
210. **for** (**int** i=0; i < distinctWords.Length; i++) 
211. \{ 
212. **object** tmp; 
213. tmp=CountWords(distinctWords\[i\], words); 
214. result\[distinctWords\[i\]\]=tmp; 
215. 
216. \} 
217. 
218. **return** result; 
219. \} 
220. 
221. **private****static****string**\[\] GetDistinctWords(String\[\] input) 
222. \{ 
223. **if** (input == **null**) 
224. **return****new****string**\[0\]; 
225. **else**
226. \{ 
227. List<**string**> list = **new** List<**string**>(); 
228. 
229. **for** (**int** i=0; i < input.Length; i++) 
230. **if** (!list.Contains(input\[i\])) // N-GRAM SIMILARITY? 
231. list.Add(input\[i\]); 
232. 
233. **return** list.ToArray(); 
234. \} 
235. \} 
236. 
237. 
238. 
239. **private****int** CountWords(**string** word, **string**\[\] words) 
240. \{ 
241. **int** itemIdx=Array.BinarySearch(words, word); 
242. 
243. **if** (itemIdx > 0) 
244. **while** (itemIdx > 0 && words\[itemIdx\].Equals(word)) 
245. itemIdx--; 
246. 
247. **int** count=0; 
248. **while** (itemIdx < words.Length && itemIdx >= 0) 
249. \{ 
250. **if** (words\[itemIdx\].Equals(word)) count++; 
251. 
252. itemIdx++; 
253. **if** (itemIdx < words.Length) 
254. **if** (!words\[itemIdx\].Equals(word)) **break**; 
255. 
256. \} 
257. 
258. **return** count; 
259. \} 
260. \} 
261. \}

Tokeniser.cs

\[csharp\] [view plain][] [copy][view plain]

1. /\*
2. Tokenization
3. Author: Thanh Ngoc Dao - Thanh.dao@gmx.net
4. Copyright (c) 2005 by Thanh Ngoc Dao.
5. \*/
6. 
7. **using** System; 
8. **using** System.Collections; 
9. **using** System.Collections.Generic; 
10. **using** System.Text.RegularExpressions; 
11. **using** WawaSoft.Search.Common; 
12. 
13. 
14. **namespace** WawaSoft.Search.Common 
15. \{ 
16. /// <summary>
17. /// Summary description for Tokeniser.
18. /// Partition string into SUBwords
19. /// </summary>
20. **internal****class** Tokeniser : ITokeniser 
21. \{ 
22. 
23. /// <summary>
24. /// 以空白字符进行简单分词，并忽略大小写，
25. /// 实际情况中可以用其它中文分词算法
26. /// </summary>
27. /// <param name="input"></param>
28. /// <returns></returns>
29. **public** IList<**string**> Partition(**string** input) 
30. \{ 
31. Regex r=**new** Regex("(\[ \\\\t\{\}():;. \\n\])"); 
32. input=input.ToLower() ; 
33. 
34. String \[\] tokens=r.Split(input); 
35. 
36. List<**string**> filter=**new** List<**string**>() ; 
37. 
38. **for** (**int** i=0; i < tokens.Length ; i++) 
39. \{ 
40. MatchCollection mc=r.Matches(tokens\[i\]); 
41. **if** (mc.Count <= 0 && tokens\[i\].Trim().Length > 0 
42. && !StopWordsHandler.IsStopword (tokens\[i\]) ) 
43. filter.Add(tokens\[i\]) ; 
44. \} 
45. 
46. **return** filter.ToArray(); 
47. \} 
48. 
49. 
50. **public** Tokeniser() 
51. \{ 
52. \} 
53. 
54. \} 
55. \}

WawaCluster.cs

\[csharp\] [view plain][] [copy][view plain]

1. **using** System.Collections.Generic; 
2. 
3. **namespace** WawaSoft.Search.Common 
4. \{ 
5. **internal****class** WawaCluster 
6. \{ 
7. **public** WawaCluster(**int** dataindex,**double**\[\] data) 
8. \{ 
9. CurrentMembership.Add(dataindex); 
10. Mean = data; 
11. \} 
12. 
13. /// <summary>
14. /// 该聚类的数据成员索引
15. /// </summary>
16. **internal** List<**int**> CurrentMembership = **new** List<**int**>(); 
17. /// <summary>
18. /// 该聚类的中心
19. /// </summary>
20. **internal****double**\[\] Mean; 
21. /// <summary>
22. /// 该方法计算聚类对象的均值 
23. /// </summary>
24. /// <param name="coordinates"></param>
25. **public****void** UpdateMean(**double**\[\]\[\] coordinates) 
26. \{ 
27. // 根据 mCurrentMembership 取得原始资料点对象 coord ，该对象是 coordinates 的一个子集；
28. //然后取出该子集的均值；取均值的算法很简单，可以把 coordinates 想象成一个 m\*n 的距阵 ,
29. //每个均值就是每个纵向列的取和平均值 , //该值保存在 mCenter 中
30. 
31. **for** (**int** i = 0; i < CurrentMembership.Count; i++) 
32. \{ 
33. **double**\[\] coord = coordinates\[CurrentMembership\[i\]\]; 
34. **for** (**int** j = 0; j < coord.Length; j++) 
35. \{ 
36. Mean\[j\] += coord\[j\]; // 得到每个纵向列的和；
37. \} 
38. **for** (**int** k = 0; k < Mean.Length; k++) 
39. \{ 
40. Mean\[k\] /= coord.Length; // 对每个纵向列取平均值
41. \} 
42. \} 
43. \} 
44. \} 
45. \}

WawaKMeans.cs

\[csharp\] [view plain][] [copy][view plain]

1. **using** System; 
2. 
3. **namespace** WawaSoft.Search.Common 
4. \{ 
5. 
6. **public****class** WawaKMeans 
7. \{ 
8. /// <summary>
9. /// 数据的数量
10. /// </summary>
11. **readonly****int** \_coordCount; 
12. /// <summary>
13. /// 原始数据
14. /// </summary>
15. **readonly****double**\[\]\[\] \_coordinates; 
16. /// <summary>
17. /// 聚类的数量
18. /// </summary>
19. **readonly****int** \_k; 
20. /// <summary>
21. /// 聚类
22. /// </summary>
23. **private****readonly** WawaCluster\[\] \_clusters; 
24. 
25. **internal** WawaCluster\[\] Clusters 
26. \{ 
27. **get** \{ **return** \_clusters; \} 
28. \} 
29. 
30. /// <summary>
31. /// 定义一个变量用于记录和跟踪每个资料点属于哪个群聚类
32. /// \_clusterAssignments\[j\]=i;// 表示第 j 个资料点对象属于第 i 个群聚类
33. /// </summary>
34. **readonly****int**\[\] \_clusterAssignments; 
35. /// <summary>
36. /// 定义一个变量用于记录和跟踪每个资料点离聚类最近
37. /// </summary>
38. **private****readonly****int**\[\] \_nearestCluster; 
39. /// <summary>
40. /// 定义一个变量，来表示资料点到中心点的距离,
41. /// 其中—\_distanceCache\[i\]\[j\]表示第i个资料点到第j个群聚对象中心点的距离；
42. /// </summary>
43. **private****readonly****double**\[,\] \_distanceCache; 
44. /// <summary>
45. /// 用来初始化的随机种子
46. /// </summary>
47. **private****static****readonly** Random \_rnd = **new** Random(1); 
48. 
49. **public** WawaKMeans(**double**\[\]\[\] data, **int** K) 
50. \{ 
51. \_coordinates = data; 
52. \_coordCount = data.Length; 
53. \_k = K; 
54. \_clusters = **new** WawaCluster\[K\]; 
55. \_clusterAssignments = **new****int**\[\_coordCount\]; 
56. \_nearestCluster = **new****int**\[\_coordCount\]; 
57. \_distanceCache = **new****double**\[\_coordCount,data.Length\]; 
58. InitRandom(); 
59. \} 
60. 
61. **public****void** Start() 
62. \{ 
63. **int** iter = 0; 
64. **while** (**true**) 
65. \{ 
66. Console.WriteLine("Iteration " \+ (iter++) + "..."); 
67. //1、重新计算每个聚类的均值
68. **for** (**int** i = 0; i < \_k; i++) 
69. \{ 
70. \_clusters\[i\].UpdateMean(\_coordinates); 
71. \} 
72. 
73. //2、计算每个数据和每个聚类中心的距离
74. **for** (**int** i = 0; i < \_coordCount; i++) 
75. \{ 
76. **for** (**int** j = 0; j < \_k; j++) 
77. \{ 
78. **double** dist = getDistance(\_coordinates\[i\], \_clusters\[j\].Mean); 
79. \_distanceCache\[i,j\] = dist; 
80. \} 
81. \} 
82. 
83. //3、计算每个数据离哪个聚类最近
84. **for** (**int** i = 0; i < \_coordCount; i++) 
85. \{ 
86. \_nearestCluster\[i\] = nearestCluster(i); 
87. \} 
88. 
89. //4、比较每个数据最近的聚类是否就是它所属的聚类
90. //如果全相等表示所有的点已经是最佳距离了，直接返回；
91. **int** k = 0; 
92. **for** (**int** i = 0; i < \_coordCount; i++) 
93. \{ 
94. **if** (\_nearestCluster\[i\] == \_clusterAssignments\[i\]) 
95. k++; 
96. 
97. \} 
98. **if** (k == \_coordCount) 
99. **break**; 
100. 
101. //5、否则需要重新调整资料点和群聚类的关系，调整完毕后再重新开始循环；
102. //需要修改每个聚类的成员和表示某个数据属于哪个聚类的变量
103. **for** (**int** j = 0; j < \_k; j++) 
104. \{ 
105. \_clusters\[j\].CurrentMembership.Clear(); 
106. \} 
107. **for** (**int** i = 0; i < \_coordCount; i++) 
108. \{ 
109. \_clusters\[\_nearestCluster\[i\]\].CurrentMembership.Add(i); 
110. \_clusterAssignments\[i\] = \_nearestCluster\[i\]; 
111. \} 
112. 
113. \} 
114. 
115. \} 
116. 
117. /// <summary>
118. /// 计算某个数据离哪个聚类最近
119. /// </summary>
120. /// <param name="ndx"></param>
121. /// <returns></returns>
122. **int** nearestCluster(**int** ndx) 
123. \{ 
124. **int** nearest = -1; 
125. **double** min = Double.MaxValue; 
126. **for** (**int** c = 0; c < \_k; c++) 
127. \{ 
128. **double** d = \_distanceCache\[ndx,c\]; 
129. **if** (d < min) 
130. \{ 
131. min = d; 
132. nearest = c; 
133. \} 
134. 
135. \} 
136. **if**(nearest==-1) 
137. \{ 
138. ; 
139. \} 
140. **return** nearest; 
141. \} 
142. /// <summary>
143. /// 计算某数据离某聚类中心的距离
144. /// </summary>
145. /// <param name="coord"></param>
146. /// <param name="center"></param>
147. /// <returns></returns>
148. **static****double** getDistance(**double**\[\] coord, **double**\[\] center) 
149. \{ 
150. //int len = coord.Length;
151. //double sumSquared = 0.0;
152. //for (int i = 0; i < len; i++)
153. //\{ 
154. // double v = coord\[i\] - center\[i\];
155. // sumSquared += v \* v; //平方差
156. //\}
157. //return Math.Sqrt(sumSquared);
158. 
159. //也可以用余弦夹角来计算某数据离某聚类中心的距离
160. **return** 1- TermVector.ComputeCosineSimilarity(coord, center); 
161. 
162. \} 
163. /// <summary>
164. /// 随机初始化k个聚类
165. /// </summary>
166. **private****void** InitRandom() 
167. \{ 
168. **for** (**int** i = 0; i < \_k; i++) 
169. \{ 
170. **int** temp = \_rnd.Next(\_coordCount); 
171. \_clusterAssignments\[temp\] = i; //记录第temp个资料属于第i个聚类
172. \_clusters\[i\] = **new** WawaCluster(temp,\_coordinates\[temp\]); 
173. \} 
174. \} 
175. \} 
176. \}

3.点的聚类:

例子如下:

使用你所学到的k均值聚类算法分别按照欧拉距离（平面直角坐标系里的两点间距离公式）和曼哈顿距离（两个点上在标准坐标系上的绝对轴距总和），将下面的点分成三类：

基于欧拉距离的程序代码（C语言）

\[plain\] [view plain][] [copy][view plain]

1. \#include<stdio.h> 
2. \#include<math.h> 
3. \#define N 15 
4. \#define k 3 
5. 
6. int min(float d\[k\]) 
7. \{ 
8. inti=0; /\*定义最短距离下标\*/ 
9. if(d\[1\]<d\[i\]) 
10. i=1; 
11. if(d\[2\]<d\[i\]) 
12. i=2; 
13. returni; /\*返回最短距离下标\*/ 
14. \} 
15. 
16. int main() 
17. \{ 
18. floata\[N\]\[2\]=\{ \{0,0\},\{2,3\},\{4,2\},\{0,6\},\{14,3\}, 
19. \{13,5\},\{3,10\},\{4,11\},\{6,9\},\{8,10\},\{12,6\}, 
20. \{17,3\},\{14,6\},\{7,9\},\{9,12\}\}; /\*N个点，坐标\*/ 
21. 
22. 
23. inti,j,m; 
24. 
25. inticounter\[k\],n=0; /\*各簇元素个数，聚类次数\*/ 
26. 
27. floatc\[k\]\[2\]; /\*聚类中心\*/ float c1\[k\]\[2\]; /\*新聚类中心\*/ 
28. floats\[k\]\[2\]; /\*各簇元素坐标和\*/ 
29. 
30. floatd\[k\]; /\*距离\*/ 
31. 
32. intitype; /\*元素所在的簇\*/ 
33. floattype\[k\]\[N\]\[2\]; /\*初始化，K簇，每簇含N个元素\*/ 
34. 
35. 
36. for(j=0;j<k;j++) 
37. \{ 
38. c1\[j\]\[0\]=a\[j\]\[0\]; /\*初始化聚类中心\*/ 
39. c1\[j\]\[1\]=a\[j\]\[1\]; 
40. \} 
41. 
42. do 
43. \{ 
44. n++; 
45. for(i=0;i<k;i++) 
46. \{ 
47. icounter\[i\]=0; /\*每次聚类计数器归零\*/ 
48. for(m=0;m<2;m++) 
49. \{ 
50. s\[i\]\[m\]=0; /\*各簇元素坐标和归零\*/ 
51. c\[i\]\[m\]=c1\[i\]\[m\]; 
52. /\*新聚类中心赋值给原聚类中心\*/ 
53. \} 
54. \} 
55. 
56. for(i=0;i<N;i++) /\*遍历数组\*/ 
57. \{ 
58. for(j=0;j<k;j++) 
59. d\[j\]=fabs(a\[i\]\[0\]-c\[j\]\[0\])+fabs(a\[i\]\[1\]-c\[j\]\[1\]); 
60. /\*欧拉距离\*/ 
61. 
62. itype=min(d); /\*调用min函数\*/ 
63. for(m=0;m<2;m++) 
64. \{ 
65. type\[itype\]\[icounter\[itype\]\]\[m\]=a\[i\]\[m\]; 
66. s\[itype\]\[m\]+=a\[i\]\[m\]; 
67. \} 
68. 
69. icounter\[itype\]++; 
70. \} 
71. 
72. for(i=0;i<k;i++) 
73. \{ 
74. c1\[i\]\[0\]=s\[i\]\[0\]/icounter\[i\]; /\*新聚类中心\*/ 
75. c1\[i\]\[1\]=s\[i\]\[1\]/icounter\[i\]; 
76. \} 
77. /\*输出每次聚类得到的结果\*/ 
78. printf("第%d次基于欧拉距离聚类结果：\\n",n); 
79. for(j=0;j<k;j++) 
80. \{ 
81. printf("聚类中心(%f,%f):\\t",c\[j\]\[0\],c\[j\]\[1\]); 
82. 
83. for(i=0;i<icounter\[j\];i++) 
84. \{ 
85. printf("(%.f,%.f)",type\[j\]\[i\]\[0\],type\[j\]\[i\]\[1\]); 
86. \} 
87. printf("\\n"); 
88. \} 
89. printf("\\n"); 
90. 
91. \}while((fabs(c1\[0\]\[0\]-c\[0\]\[0\])>1e-5) || 
92. (fabs(c1\[1\]\[0\]-c\[1\]\[0\])>1e-5) || 
93. (fabs(c1\[2\]\[0\]-c\[2\]\[0\])>1e-5)); 
94. /\*聚类结果收敛时跳出循环\*/ 
95. 
96. /\*打印最终聚类结果\*/ 
97. printf("\\n基于欧拉距离%d次聚类后结果收敛，最终聚类结果：\\n",n); 
98. for(j=0;j<k;j++) 
99. \{ 
100. printf("聚类中心(%.2f,%.2f):\\t",c1\[j\]\[0\],c1\[j\]\[1\]); 
101. for(i=0;i<icounter\[j\];i++) 
102. \{ 
103. printf("(%.f,%.f)",type\[j\]\[i\]\[0\],type\[j\]\[i\]\[1\]); 
104. \} 
105. printf("\\n"); 
106. \} 
107. 
108. return0; 
109. \} 
110.

运行结果

基于欧拉距离

基于曼哈顿距离

c\#的例子代码:

\[csharp\] [view plain][] [copy][view plain]

1.  k均值算法是模式识别的聚分类问题，这是用C\#实现其算法 
2.  以下是程序源代码： 
3.  **using** System; 
4.  **using** System.Drawing; 
5.  **using** System.Collections; 
6.  **using** System.ComponentModel; 
7.  **using** System.Windows.Forms; 
8.  **using** System.Data; 
9.  **namespace** KMean\_win 
10. \{ 
11. /// 
12. /// Form1 的摘要说明。
13. /// 
14. **public****class** Form1 : System.Windows.Forms.Form 
15.  \{ 
16. /// 
17. /// 必需的设计器变量。
18. /// 
19. **private** System.ComponentModel.Container components = **null**; 
20. **private****static****int** k = 2; //类数，此例题为2类
21. **private****static****int** total = 20; //点个数
22. **private****int** test = 0; 
23. **private** PointF\[\] unknown = **new** PointF\[total\]; //点数组
24. **private****int**\[\] type = **new****int**\[total\]; //每个点暂时的类
25. **public** PointF\[\] z = **new** PointF\[k\]; //保存新的聚类中心
26. **public** PointF\[\] z0 = **new** PointF\[k\]; //保存上一次的聚类中心
27. **private** PointF sum; 
28. **private****int** temp = 0; 
29. **private** System.Windows.Forms.TextBox textBox1; 
30. **private****int** l = 0; //迭代次数
31. //构造函数，初始化
32. **public** Form1() 
33.  \{ 
34.  unknown\[0\]=**new** Point(0,0); 
35.  unknown\[1\]=**new** Point(1,0); 
36.  unknown\[2\]=**new** Point(0,1); 
37.  unknown\[3\]=**new** Point(1,1); 
38.  unknown\[4\]=**new** Point(2,1); 
39.  unknown\[5\]=**new** Point(1,2); 
40.  unknown\[6\]=**new** Point(2,2); 
41.  unknown\[7\]=**new** Point(3,2); 
42.  unknown\[8\]=**new** Point(6,6); 
43.  unknown\[9\]=**new** Point(7,6); 
44.  unknown\[10\]=**new** Point(8,6); 
45.  unknown\[11\]=**new** Point(6,7); 
46.  unknown\[12\]=**new** Point(7,7); 
47.  unknown\[13\]=**new** Point(8,7); 
48.  unknown\[14\]=**new** Point(9,7); 
49.  unknown\[15\]=**new** Point(7,8); 
50.  unknown\[16\]=**new** Point(8,8); 
51.  unknown\[17\]=**new** Point(9,8); 
52.  unknown\[18\]=**new** Point(8,9); 
53.  unknown\[19\]=**new** Point(9,9); 
54. 
55.  InitializeComponent(); 
56. 
57.  test = 0; 
58. //选k个初始聚类中心 z\[i\] 
59. **for**(**int** i=0;i z\[i\] = unknown\[i\]; 
60. **for**(**int** i=0;i type\[i\] = 0; 
61.  \} 
62. //计算新的聚类中心
63. **public** PointF newCenter(**int** m) 
64.  \{ 
65. **int** N = 0; 
66. **for**(**int** i=0;i \{ 
67. **if**(type\[i\] == m) 
68.  \{ 
69.  sum.X = unknown\[i\].X+sum.X; 
70.  sum.Y = unknown\[i\].Y+sum.Y; 
71.  N += 1; 
72.  \} 
73.  \} 
74.  sum.X=sum.X/N; 
75.  sum.Y=sum.Y/N; 
76. **return** sum; 
77.  \} 
78. //比较两个聚类中心的是否相等
79. **private****bool** compare(PointF a,PointF b) 
80.  \{ 
81. **if**(((**int**)(a.X\*10) == (**int**)(b.X\*10)) && ((**int**)(a.X\*10) == (**int**)(b.X\*10))) 
82. **return****true**; 
83. **else**
84. **return****false**; 
85.  \} 
86. //进行迭代，对total个样本根据聚类中心进行分类
87. **private****void** order() 
88.  \{ 
89. **int** temp = 0;//记录unknown\[i\]暂时在哪个类中
90. **for**(**int** i=0;i \{ 
91. **for**(**int** j=0;j \{ 
92. **if**(distance(unknown\[i\],z\[temp\]) > distance(unknown\[i\],z\[j\])) 
93.  temp = j; 
94.  \} 
95.  type\[i\] = temp; 
96.  Console.WriteLine("经比较后，\{0\}归为\{1\}类",unknown\[i\],temp); 
97.  \} 
98.  \} 
99. //计算两个点的欧式距离
100. **private****float** distance(PointF p1,PointF p2) 
101.  \{ 
102. **return**((p1.X-p2.X)\*(p1.X-p2.X)+ (p1.Y-p2.Y)\*(p1.Y-p2.Y)); 
103.  \} 
104. /// 
105. /// 清理所有正在使用的资源。
106. /// 
107. **protected****override****void** Dispose( **bool** disposing ) 
108.  \{ 
109. **if**( disposing ) 
110.  \{ 
111. **if** (components != **null**) 
112.  \{ 
113.  components.Dispose(); 
114.  \} 
115.  \} 
116. **base**.Dispose( disposing ); 
117.  \} 
118. //程序结构
119. **public****void** main() 
120.  \{ 
121.  Console.WriteLine("共有如下个未知样本："); 
122. **for**(**int** i=0;i \{ 
123.  Console.WriteLine(unknown\[i\]); 
124.  \} 
125. /\* for(int i=0;i Console.WriteLine("初始时，第\{0\}类中心\{1\}",i,z\[i\]);
126.  order();
127.  for(int i=0;i \{ 
128.  z\[i\] = newCenter(i);
129.  Console.WriteLine("第\{0\}类新中心\{1\}",i,z\[i\]);
130.  if(z\[i\].Equals(z0\[i\]) )
131.  test = test+1;
132.  else
133.  z0\[i\] = z\[i\];
134.  \}
135. \*/**for**(**int** i=0;i Console.WriteLine("初始时，第\{0\}类中心\{1\}",i,z\[i\]); 
136. **while**( test!=k ) 
137.  \{ 
138.  order(); 
139. **for**(**int** i=0;i \{ 
140.  z\[i\] = newCenter(i); 
141.  Console.WriteLine("第\{0\}类新中心\{1\}",i,z\[i\]); 
142. **if**(compare(z\[i\],z0\[i\])) 
143.  test = test+1; 
144. **else**
145.  z0\[i\] = z\[i\]; 
146.  \} 
147.  l = l+1; 
148.  Console.WriteLine("\*\*\*\*\*\*已完成第\{0\}次迭代\*\*\*\*\*\*\*",l); 
149. 
150.  Console.Write("\{0\}","分类后："); 
151. **for**(**int** j=0;j \{ 
152.  Console.Write("第\{0\}类有：",j); 
153. **for**(**int** i=0;i \{ 
154. **if**(type\[i\] == j) 
155.  Console.WriteLine("\{0\},\{1\}",unknown\[i\].X,unknown\[i\].Y); 
156.  \} 
157.  \} 
158.  \} 
159. 
160.  \} 
161.  \#region Windows 窗体设计器生成的代码
162. /// 
163. /// 设计器支持所需的方法 - 不要使用代码编辑器修改
164. /// 此方法的内容。
165. /// 
166. **private****void** InitializeComponent() 
167.  \{ 
168. **this**.textBox1 = **new** System.Windows.Forms.TextBox(); 
169. **this**.SuspendLayout(); 
170. // 
171. // textBox1
172. // 
173. **this**.textBox1.Location = **new** System.Drawing.Point(0, 0); 
174. **this**.textBox1.Multiline = **true**; 
175. **this**.textBox1.Name = "textBox1"; 
176. **this**.textBox1.ScrollBars = System.Windows.Forms.ScrollBars.Vertical; 
177. **this**.textBox1.Size = **new** System.Drawing.Size(296, 272); 
178. **this**.textBox1.TabIndex = 0; 
179. **this**.textBox1.Text = ""; 
180. // 
181. // Form1
182. // 
183. **this**.AutoScaleBaseSize = **new** System.Drawing.Size(6, 14); 
184. **this**.ClientSize = **new** System.Drawing.Size(292, 271); 
185. **this**.Controls.Add(**this**.textBox1); 
186. **this**.Name = "Form1"; 
187. **this**.Text = "Form1"; 
188. **this**.ResumeLayout(**false**); 
189.  \} 
190.  \#endregion
191.  \} 
192. **class** entrance 
193.  \{ /// 
194. /// 应用程序的主入口点。
195. /// 
196.  \[STAThread\] 
197. **static****void** Main() 
198.  \{ 
199.  Form1 my = **new** Form1(); 
200.  my.main(); 
201.  Application.Run(**new** Form1()); 
202.  \} 
203.  \} 
204. \}

[转载地址  
][Link 1]

[view plain]: https://blog.csdn.net/zzq900503/article/details/10000835#
[Link 1]: https://blog.csdn.net/zzq900503/article/details/10000835