import java.util.ArrayList; import java.util.List; public class KMeansExample { public static void main(String[] args) { int n = 10; // 随机数的数量 double a = -5, b = 5, c = 10; // [a, b+c] List<Double> data = generateRandomNumbers(n, a, b + c); // 生成随机数 System.out.println("Generated Data:"); for (double num : data) { System.out.print(num + " "); } System.out.println(); kMeansCluster(data); } private static List<Double> generateRandomNumbers(int count, double min, double max) { List<Double> numbers = new ArrayList<>(); for (int i = 0; i < count; i++) { double randomNum = Math.round((min + (max - min) * Math.random()) * 100.0) / 100.0; numbers.add(randomNum); } return numbers; } private static void kMeansCluster(List<Double> data) { if (data.isEmpty()) return; // 初始化两个簇心为第一个和最后一个元素 double centroid1 = data.get(0), centroid2 = data.get(data.size() - 1); boolean centroidsChanged; do { centroidsChanged = false; // 分组 List<Double> cluster1 = new ArrayList<>(); List<Double> cluster2 = new ArrayList<>(); for (Double point : data) { if (Math.abs(point - centroid1) <= Math.abs(point - centroid2)) { cluster1.add(point); } else { cluster2.add(point); } } // 更新簇心 double newCentroid1 = calculateMean(cluster1); double newCentroid2 = calculateMean(cluster2); if (newCentroid1 != centroid1 || newCentroid2 != centroid2) { centroidsChanged = true; centroid1 = newCentroid1; centroid2 = newCentroid2; } } while (centroidsChanged); // 输出分组结果 System.out.printf("Cluster1 Centroid: %.2f -> ", centroid1); for (double d : data.stream().filter(p -> Math.abs(p - centroid1) <= Math.abs(p - centroid2)).toList()) { System.out.printf("%.2f ", d); } System.out.println(); System.out.printf("Cluster2 Centroid: %.2f -> ", centroid2); for (double d : data.stream().filter(p -> Math.abs(p - centroid2) < Math.abs(p - centroid1)).toList()) { System.out.printf("%.2f ", d); } System.out.println(); } private static double calculateMean(List<Double> points) { if (points == null || points.isEmpty()) return Double.NaN; double sum = 0; for (double p : points) sum += p; return su

<< 您提供的代码片段中有一处小错误，在 `calculateMean` 方法的最后一行，返回值应该是计算后的平均值而不是未定义的变量名 `su`。正确的方法体应使用 `sum / points.size()` 来完成均值的计算。 下面是修复之后完整的 Java 实现： ```java import java.util.ArrayList; import java.util.List; public class KMeansExample { public static void main(String[] args) { int n = 10; // 随机数的数量 double a = -5, b = 5, c = 10; // [a, b+c] List<Double> data = generateRandomNumbers(n, a, b + c); // 生成随机数 System.out.println("Generated Data:"); for (double num : data) { System.out.print(num + " "); } System.out.println(); kMeansCluster(data); } private static List<Double> generateRandomNumbers(int count, double min, double max) { List<Double> numbers = new ArrayList<>(); for (int i = 0; i < count; i++) { double randomNum = Math.round((min + (max - min) * Math.random()) * 100.0) / 100.0; numbers.add(randomNum); } return numbers; } private static void kMeansCluster(List<Double> data) { if (data.isEmpty()) return; // 初始化两个簇心为第一个和最后一个元素 double centroid1 = data.get(0), centroid2 = data.get(data.size() - 1); boolean centroidsChanged; do { centroidsChanged = false; // 分组 List<Double> cluster1 = new ArrayList<>(); List<Double> cluster2 = new ArrayList<>(); for (Double point : data) { if (Math.abs(point - centroid1) <= Math.abs(point - centroid2)) { cluster1.add(point); } else { cluster2.add(point); } } // 更新簇心 double newCentroid1 = calculateMean(cluster1); double newCentroid2 = calculateMean(cluster2); if (!Double.isNaN(newCentroid1) && !Double.isNaN(newCentroid2) && (newCentroid1 != centroid1 || newCentroid2 != centroid2)) { centroidsChanged = true; centroid1 = newCentroid1; centroid2 = newCentroid2; } } while (centroidsChanged); // 输出分组结果 System.out.printf("Cluster1 Centroid: %.2f -> ", centroid1); for (double d : data.stream() .filter(p -> Math.abs(p - centroid1) <= Math.abs(p - centroid2)) .toList()) { System.out.printf("%.2f ", d); } System.out.println(); System.out.printf("Cluster2 Centroid: %.2f -> ", centroid2); for (double d : data.stream() .filter(p -> Math.abs(p - centroid2) < Math.abs(p - centroid1)) .toList()) { System.out.printf("%.2f ", d); } System.out.println(); } private static double calculateMean(List<Double> points) { if (points == null || points.isEmpty()) return Double.NaN; double sum = 0; for (double p : points) sum += p; return sum / points.size(); // 计算平均值并返回 } } ``` ### 解释 这段程序的主要功能是对一组随机生成的数据进行简单的 **K-Means 聚类**，分为两组（即 K=2）。以下是详细步骤及其背后的逻辑： 1. **数据初始化** - 使用了 `generateRandomNumbers` 函数来生成指定数量的随机双精度浮点数，并将其存储在一个列表 (`List<Double>`) 中。 2. **聚类算法核心思想** - 初始设定两个质心（centroid），分别为数据中的第一项与最后一项。 - 按照每个数值离这两个初始质心的距离远近对其进行分类。 - 在每次迭代过程中重新根据分配情况更新新的质心位置。 - 如果新旧质心位置发生改变，则重复上述过程直到收敛或不再有变化为止。 3. **辅助函数** - 提供了一个工具方法用于求取某一群集内所有成员之数学期望值——这便是所谓的“中心”。 这种简单版本仅适用于一维空间内的二维划分场景；实际应用可能涉及高维度及更复杂的参数设置等问题。