我想使用肘部法来检查最佳的k值。我没有使用scikit-learn库。我已经从头开始编写了k-means代码，现在我很难弄清楚如何在Python中编写肘部法。我是一个完全的初学者。

这是我的k-means代码：

def cluster_init(array, k):    initial_assgnm = np.append(np.arange(k), np.random.randint(0, k, size=(len(array))))[:len(array)]    np.random.shuffle(initial_assgnm)    zero_arr = np.zeros((len(initial_assgnm), 1))    for indx, cluster_assgnm in enumerate(initial_assgnm):        zero_arr[indx] = cluster_assgnm    upd_array = np.append(array, zero_arr, axis=1)    return upd_arraydef kmeans(array, k):    cluster_array = cluster_init(array, k)    while True:        unique_clusters = np.unique(cluster_array[:, -1])        centroid_dictonary = {}        for cluster in unique_clusters:            centroid_dictonary[cluster] = np.mean(cluster_array[np.where(cluster_array[:, -1] == cluster)][:, :-1], axis=0)        start_array = np.copy(cluster_array)        for row in range(len(cluster_array)):            cluster_array[row, -1] = unique_clusters[np.argmin(                [np.linalg.norm(cluster_array[row, :-1] - centroid_dictonary.get(cluster)) for cluster in unique_clusters])]        if np.array_equal(cluster_array, start_array):            break    return centroid_dictonary

这是我尝试过的肘部法代码：

cost = []K= range(1,239)for k in K :    KM = kmeans(x,k)    print(k)    KM.fit(x)    cost.append(KM.inertia_)

但我得到了以下错误

KM.fit(x)

AttributeError: ‘dict’ object has no attribute ‘fit’

回答：

如果你想从头开始计算肘部值，你需要计算当前聚类分配的惯性。为此，你可以计算粒子惯性的总和。数据点的粒子惯性是从其当前位置到最近中心的距离。如果你有一个为你计算这个的函数（在scikit-learn中这个函数对应于pairwise_distances_argmin_min），你可以这样做

labels, mindist = pairwise_distances_argmin_min(    X=X, Y=centers, metric='euclidean', metric_kwargs={'squared': True})inertia = mindist.sum()

如果你真的想编写这个函数，你需要遍历X中的每一行x，找到Y中所有y的dist(x,y)的最小值，这将是x的惯性。这种计算粒子惯性的简单方法是O(nk)的，所以你可以考虑使用库函数来代替。