Python 附加列表有时给出'；索引器：列表索引超出范围'；错误并导致不符合预期的结果

因此，我对使用python-2.7编程并尝试实现集群问题的初始化方法还是新手。
这些步骤是：

从数据集中选择一个随机数据作为第一个质心

当质心中的数据数量

使用公式计算所有数据到其最近质心的概率

p（x）=D（x）**2/和（D（x）**2），其中D（x）是从数据[x]到最近质心的欧氏距离

选取p（x）最高的数据，然后循环回第2位

但当我尝试添加数据时，有时会出现这样的错误“IndexError:list index out-range”，有时代码可以工作，但只给出2个不同的质心，第3到n个质心给出的值与第2个质心的值相同

我哪里做错了

（编辑：我编辑了操作步骤，因为我错了）

非常感谢您的友好帮助

随机数（a，b）返回从

a

到

b

的随机整数，包括

b

。因此，当您使用

randint（0，len（x））

时，可能会将值

len（x）

作为输出，当用作索引时，该值超出范围

对于您的用例，您可能可以使用

random\u value=random.choice（x）

。

randint（a，b）

返回从

a

到

b

的随机整数，包括

b

。因此，当您使用

randint（0，len（x））

时，可能会将值

len（x）

作为输出，当用作索引时，该值超出范围

---

对于您的用例，您可能可以使用

random\u value=random.choice（x）

。

因此我尝试将b的值更改为最后一个数据的索引，这样问题应该得到解决，但仍然得到相同的错误。它说与质心有关。append（x[new_cen_idx]）@Elenora：你的列表可能是空的，所以任何索引值都是错误的。如果这是如此基本，那么哪个列表可能是空的？"(x[new_cen_idx])?？但该列表不能为空，因为它包含整个数据集，我只尝试将“[new\u cen\u index]”中的索引数据值附加到质心列表中。@Elenora:the

x

列表。出现错误的唯一可能原因是

idx\u pusat\u pertama

指的是

x

没有的位置。当然，假设

x

是一个常规列表。显然，每当它返回错误时，“idx\u pusat\u pertama”总是返回一个相同的整数值，该值确实超出范围。在我的例子中，它总是返回35，即使imy数据只有20。如果我添加更多的数据，最终会得到相同的错误，不同的积分值。我仍然不明白为什么会发生这样的事情，所以我试着把b的值改成最后一个数据的索引，这样问题就可以解决了，但我还是得到了同样的错误。它说与质心有关。append（x[new_cen_idx]）@Elenora：你的列表可能是空的，所以任何索引值都是错误的。如果这是如此基本，那么哪个列表可能是空的？"(x[new_cen_idx])?？但该列表不能为空，因为它包含整个数据集，我只尝试将“[new\u cen\u index]”中的索引数据值附加到质心列表中。@Elenora:the

x

列表。出现错误的唯一可能原因是

idx\u pusat\u pertama

指的是

x

没有的位置。当然，假设

x

是一个常规列表。显然，每当它返回错误时，“idx\u pusat\u pertama”总是返回一个相同的整数值，该值确实超出范围。在我的例子中，它总是返回35，即使imy数据只有20。如果我添加更多的数据，最终会得到相同的错误，不同的积分值。但是我还是不明白为什么会发生。。

def pickcentroid(df):
    x = df.values.tolist()
    n_klas = 3
 #   random.seed(2)
    idx_pusat_pertama = random.randint(0, len(df))
    centroid = []
    centroid_idx = []
    centroid.append(x[idx_pusat_pertama])
    centroid_idx.append(idx_pusat_pertama)
    prob_data = []
    while len(centroid) < n_klas:
        ac_mindist = 0
        for i in x:
            dist_ke_c = []
            for c in centroid:
                dist_ke_c.append(dist(i,c))
            ac_mindist += min(dist_ke_c)**2
        for idx in range(len(df)) : 
            if idx not in centroid_idx:
                dist_ke_c2 = []
                mindist_per_data = 0
                for c in centroid:
                    dist_ke_c2.append(dist(x[idx],c))
                mindist_per_data = min(dist_ke_c2)**2
                prob_data.append(mindist_per_data/ac_mindist)
            else:
                prob_data.append(0)
        new_cen_idx = prob_data.index(max(prob_data))
        centroid_idx.append(new_cen_idx)
        centroid.append(x[new_cen_idx])

    print(centroid)
    return centroid

def dist(x,y):
    r = np.array(x) - np.array(y)
    distance = np.linalg.norm(r)
#    print(distance)
    return distance


c = pickcentroid(df)

-0.19864726098025476,-0.2174575876560727
-0.19427576174137176,-0.2658220115362011
0.24385376109048476,0.1555938625346895
-0.23636704446757748,0.14005058641250595
0.37563103051045826,0.33204816285389527
-0.13210748354848134,-0.0019122205360639893
-0.17120654390561796,0.04231258139538708
0.2865229979171536,0.34175192153482764
-0.328896319205639,-0.22737124434792602
0.03115098005450885,0.17089336362457433