Python 如何计算Sklearn中点到质心的平均距离？

我被要求计算每个点到其质心的平均距离。已经提供了数据集和集群数量，这似乎是一个非常直接的问题（考虑到k-means集群的作用），但我似乎找不到可行的解决方案

数据集是一个3列、500行、带浮点数的excel工作表

根据我所读到的，最简单的方法是将点到每个质心的距离放在一个numpy数组中，然后计算平均值。这就是我在下面所做的

从sklearn.cluster导入KMeans
作为pd进口熊猫
将matplotlib.pyplot作为plt导入
'执行（%matplotlib内联）'
将numpy作为np导入
df=pd.read\u excel（'k-means\u test.xlsx'，sheet\u name='data\u set'）
X=np.数组（df）
plt.scatter（X[：，0]，X[：，1]，标签='真实位置'）
kmeans=kmeans（n_集群=5）
kmeans.fit（X）
##打印（kmeans.群集\中心）
plt.scatter（X[：，0]，X[：，1]，c=kmeans.labels，cmap='rainbow'）
##plt.show（）
距离=kmeans.fit_变换（X）
方差=0
i=0
对于kmeans.labels中的标签：
方差=方差+距离[i][标签]
i=i+1
平均距离=np.平均（距离）
打印（平均距离）

我期望值在1.41到2.85之间，但我得到了11.3。很遥远

任何帮助都将不胜感激。一般来说，我对python和机器学习算法相当陌生。

K-means使用平方欧几里德距离

人们常常错误地认为这意味着最小化欧几里德距离——事实并非如此

---

无论如何，试着插入

distance=numpy.sqrt（distance）

，之后你的平均值可能会低于3。

看一看：谢谢@MaximilianPeters，我试图将一些代码合并到上面的示例中，但事情失控了（初学者和我都认为示例中的一些代码很复杂）-所以我采取了卑鄙的方法。我会再看一看，看看我是否能从中得到一些东西。嗨@Anony mouse，谢谢你的评论——从概念上说，这是非常有用的。不幸的是这导致了3.37-所以我一定是真的搞砸了。也许尝试使用欧几里德距离有问题？嗯，你在计算到所有三个中心的平均距离…嗯。。。我不确定这将如何影响到我的答案仍然需要在1.41和2.85之间，所有点到各自中心的平均距离。有5个集群，而不是3个。您是否建议上面的代码计算所有点到所有5个中心的平均距离？是的。到每个点的所有中心。检查距离的形状。