Python Kmeans++算法中最优质心的选择

我需要一些专业的帮助。我正试图像KMeans++一样使用最佳质心选择实现KMeans算法，但我有点陷入了“选择初始质心”步骤。我已经实现了这个算法，但是选择了随机的初始质心。看起来是这样的：

def随机样本浮点数，mi，ma： 返回ma-mi*np.random.random_samplen+mi def欧几里得距离组x，C： 返回np.sqrtnp.sumnp.powerC-x，2，轴=1 def KMeans_v2K，Dx: 选择随机质心 cDx=np.zerosK*Dx.shape[1] cDx.shape=K，Dx.shape[1] 对于np.arangeDx.shape[1]中的d： cDx[：，d]=随机样本浮动，np.minDx[：，d]，np.maxDx[：，d] 聚类预测 Dyp=np.zerosDx.shape[0] 迭代=真 迭代时： cDx_ant=cDx.copy 对于np.arangeDx.shape[0]中的i： 距离\点\质心=欧几里德距离\群dx[i]，cDx pred_y=np.argmindistance_point_形心 Dyp[i]=pred_y 对于rangeK中的k： cDx[k，：]=np.meanDx[Dyp==k]，轴=0 迭代=np.absolutenp.sumcDx-cDx_ant>0.00001 显示聚类结果 图2，ax=plt.子图尺寸=10,5 ax.scatterDx[：，0]，Dx[：，1]，c=Dyp ax.scattercDx[：，0]，cDx[：，1]，marker='*'，s=200，c='b' 正如您所见，质心是在数据集范围内随机选择的。现在，我想执行一个函数，选择一个更好的质心，如下所示：

从数据点中随机均匀地选择一个中心。 对于每个数据点x，计算Dx，即x与已选择的最近中心之间的距离。 随机选择一个新的数据点作为新的中心，使用加权概率分布，其中选择的点x的概率与Dx^2成正比。您可以使用scipy.stats.rv_离散进行此操作。 重复步骤2和3，直到选择了k个中心。 既然已经选择了初始中心，请使用标准 k-均值聚类。 我在这里有点迷茫，因为我真的不知道如何加权每个点到每个质心的距离，并根据我猜的最佳权重选择最佳质心。我只是试着测量所有的点到第一个质心的距离，但是我不知道应该将这些距离与什么概率进行比较。如果这有道理的话

顺便说一下，我从一篇类似的文章中复制了选择最佳质心的步骤。真正的文档是第3页

其中步骤定义如下：

让Dx表示从数据点到我们已经选择的最近中心的最短距离：

1a。取一个中心c1，从X均匀随机选择 1b。以一个新的中心ci为例 ，选择x∈ 概率为Dx^2/∑x∈X Dx^2或Dx**2/sumDx**2。 1c。重复步骤1b。直到我们把k个中心全部拿走。 继续使用标准的k-均值算法。 我们将步骤1b中使用的加权称为“D2加权”。

如果有人能帮我完成这个功能，或者能更好地解释一下，我将永远感激。非常感谢你的帮助/建议