代码是在weka上二次开发的，但没有使用原来的kmeans代码，只是用了它的数据类Intances，先说下与它相关的几点东西。
一、KMeans算法简介
输入：聚类个数k，以及包含 n个数据对象的数据库。输出：满足方差最小标准的k个聚类。
处理流程： （1）从 n个数据对象任意选择 k 个对象作为初始聚类中心.
（2）根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；（3）重新计算每个（有变化）的聚类的均值。
（4）重复（2）（3），直到聚类不发生改变。
划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。 k-means 算法的工作过程说明如下：首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。
二、weka相关介绍
1、Instances
Instances是数据集类，是样本或实例的集合。
Instances有个数据头header，包含除了样本Instance之外的信息，比如attributes的信息。
//data是Instances类型Instances ins = new Instances(data, 0);//用data的数据集信息创建一个新的Instances类，但不包含data的样本
2、Instance
Instance是一个接口，对应的是一个样本或实例。
因为不同项目中数据集是不一样的，也就不能固定Instance的具体属性，所以写成接口。在自己的项目中，应该实现这个Instance
3、Attribute
属性类，对应Instance的一列。
每个Attribute保存的是Instance这一列可取的值。
a、如果是属性是数值类型，这个Attribute就用Numeric类型表示
b、如果是String类型，这个Attribute保存了一个向量，向量的每个值是属性可以取到的String值。
所以，Attribute不保存某个Instance的某个属性状态，而是数据集Instances的某个属性的可取范围，也就是这个属性的值域。
所以，虽然Instance能get到某个Attribute，当不能直接从这个Attribute获取这个属性值。属性值可以直接从Instance获取。
//获取第i个属性的值，用String表示instance.toString(i)
如果属性值是数值类型，可以直接获取，不用toString(i)
//获取第3个属性的值，从0开始计数。返回doubleinstance.value(3)
4、InstanceQuery
我的数据是在数据库中，所以我就用InstanceQuery这个类，而且可以避免我自己去实现Instance类。
可以参考下官方文档：
首先要修改文档，在weka.experiment包下面。
在Eclipse IDE下没法直接修改，我用2345好压找到文件，修改了保存回去，就ok了。我连的是oracle。
主要是修改DatabaseUtils.props的这两行：
# JDBC driver (comma-separated list)jdbcDriver=oracle.jdbc.driver.OracleDriver# database URLjdbcURL=jdbc:oracle:thin:@192.168.2.67:1521:orcl
然后就是在代码中写了：
public static Instances getData() throws Exception { InstanceQuery query = getQuery(); String sql = ".............................................................."; Instances data = query.retrieveInstances(sql); if (data.numInstances() <= 0) throw new Exception("data size is 0;"); clusterCentroids = new Instances(data, numClusters); return data; } public static InstanceQuery getQuery() { InstanceQuery query = null; try { query = new InstanceQuery(); } catch (Exception e) { e.printStackTrace(); } query.setDatabaseURL("jdbc:oracle:thin:@192.168.2.67:1521:orcl"); query.setUsername("..."); query.setPassword("..."); return query; }
三、代码
import java.io.BufferedWriter;import java.io.File;import java.io.FileWriter;import java.io.IOException;import java.util.Enumeration;import java.util.Random;import weka.core.Instance;import weka.core.Instances;import weka.core.Utils;import weka.experiment.InstanceQuery;public class DisKmeans { private static int numClusters = 20; private static int maxInteration = 600; private static Instances clusterCentroids; private static Instances[] kmeansResult; public static void main(String[] args) throws Exception { Instances data = getData(); System.out.println("start"); System.out.println(data.size()); System.out.println(data.instance(1)); Instance instance = data.instance(1); for (int i=0; i =0 ; i--) { insIndex = random.nextInt(i);//保证i不会超过数组上线 clusterCentroids.add(data.instance(insIndex)); if (clusterCentroids.numInstances() == numClusters) { break; } }// System.out.println(clusterCentroids); printInstances(clusterCentroids); System.out.println("-----------聚类中心结束-------------"); return clusterCentroids; } /** * 根据初始中心点，对数据进行第一次聚类，结果为初始聚类结果 * @param data * @param centroids * @return */ public static Instances[] createCluster(Instances data, Instances centroids) { Instances[] newData = new Instances[centroids.numInstances()]; for (int i=0; i = 0.0001) { flag = false; break; } } return flag; } public static void printInstances(Instances instances) { for (int i=0; i
四、其他
1、离散变量：数据中有个有用的离散变量，不方便直接放到kmeans算法中。但一定要用，也是可以的。
2、DatabaseUtils.props文件，在jar包中不方便直接修改，而我用解压工具修改在压缩回去，虽然可行，总觉得不太好。不知道有什么更好的方法？