Python 如何解释k Medoids输出

我找到了K-Medoids的实现，并决定在我的代码中尝试它

我的原始数据集是一个21x6矩阵

要生成我正在使用的距离矩阵，请执行以下操作：

import scipy.spatial.distance as ssd
distanceMatrix = ssd.squareform(ssd.pdist(matr, 'cosine'))

然后我决定了一些集群：

clusters = int(np.sqrt(len(matr.data)/2))

最后：

clusters, medoids = self.cluster(distanceMatrix,clusters)
print(clusters)
print(medoids)

对于给定的输入，我得到以下输出：

[12 12 12 12 12 12 12  7  7  7  7 11 12 12 12 12 12 12 11 12 12]
[12  7 11]

当我期待一个类似于矩阵中每个点都有一个标签的输出时。

---

如果我想使用结果分散簇元素，我应该如何处理这种输出，如下图所示（我使用的是k-Means）

k-medoids使用数据点作为中心，因此

print（medoids）

将为您提供输入数据集中的中心索引，

print（clusters）

将为您提供数据点所属的组

---

图中的星星是数据集[12]、数据集[11]和数据集[7]

这段代码不是kMedoids（PAM）。这是另外一回事儿。@Anony Mouse谢谢你指出这一点，我根本不是聚类专家。这样的实施会更好吗？与L.Kaufman和P.Rousseeuv《基于L1范数和相关方法的统计数据分析》中的“通过Medoids进行聚类”相比，该算法看起来也不一样，Y.Dodge，Ed.Elsevier，1987，第405–416页。