Python 将点指定给三维中的簇中心

我有一个600x3数据帧，如下所示：

 X1        X2        X3
0  0.049150  0.270032  0.577858
1  0.602387  0.065492  0.555747
2  0.598355  0.235002  0.482744
3  0.522151  0.253991  0.402630
4  0.402601  0.206630  0.553987
...

其中每行表示一个三维点。我编写了一个聚类算法来查找三个聚类中心，它们使用np.vstack迭代地堆叠在一个数组中

可接受的_质心：

[[ 0.5143811   0.41417482  0.5457288 ]
 [ 0.8176921   0.80723679  0.19689465]
 [ 0.12582636  0.65756533  0.80770862]]

我还保存了每个中心的索引： 认可指数：

[ 26 420 241]

现在，我想根据最小l2范数距离，将数据帧中的每个点分配给其中一个集群。我使用以下公式计算了这些簇与其余点之间的距离：

diffy1 = df.iloc[0:].apply(lambda x: np.sqrt(sum((df.iloc[accepted_indices[0]]-x)**2)), axis=1).values
diffy2 = df.iloc[0:].apply(lambda x: np.sqrt(sum((df.iloc[accepted_indices[1]]-x)**2)), axis=1).values
diffy3 = df.iloc[0:].apply(lambda x: np.sqrt(sum((df.iloc[accepted_indices[2]]-x)**2)), axis=1).values

每个输出600x1的距离矢量。我现在的目标是获取这三个向量中的第一个值，找到这三个向量中的最小值，然后将数据点分配给相应的集群。可以说，这就是我的想法枯竭的地方。希望这里的目标是明确的

---

注意：我没有使用K-means算法，因此这些包不适用。我主要是想做kmeans的标签部分，然后根据标签绘制点的颜色

听起来你想做点什么

df.apply(lambda row: np.argmin(np.linalg.norm(accepted_centroids - row.values, axis=1)), axis=1)