kMeansTemplate.py

Aller à la documentation de ce fichier.

#-------------------------------------------------------------------------------
print "Algorithme de k-means"
print "\t@version: 1.2  date: 26/06/2007 modified by Thomas Leaute"
print "\t@version: 1.1  date: 25/05/2007 modified by Thomas Leaute"
print "\t@version: 1.0  date: 05/03/2007 created by Thomas Leaute"
print "\t@author: thomas.leaute _AT_ epfl.ch date: 09/05/2007"
print "\t@copyright: EPFL-IC-IIF-LIA 2007"
#-------------------------------------------------------------------------------
## @package kMeansTemplate Algorithme de k-means

## @file kMeansTemplate.py Algorithme de k-means

import copy
execfile("distance.py")

## Noyaux de l'iteration precedente 
VIEUXNOYAUX = [] 

## Liste des clusters courants 
CLUSTERS = [] 

## \brief Affiche les clusters dans un format lisible
# @param clusters Liste des clusters a afficher
def afficheClusters (clusters):
        print "*********************"
        print "Clusters :"
        for cluster in clusters: 
                if len(cluster) > 0:
                        print "Donnees :", cluster[0]
                        for donnee in cluster[1:]:
                                print "         ", donnee 
        print "*********************"

## \brief Associe chaque donnee au plus proche noyau
# @param noyaux Liste des noyaux
# @return La liste des clusters. La premiere donnee de chaque cluster est son noyau. 
def formeClusters (noyaux):
        print "a completer"


## \brief Recentre le noyau d'un cluster passe en parametre. 
# 
# Le nouveau noyau est place en tete de la liste qui represente le cluster. 
# @param cluster Le cluster dont le noyau doit etre recentre
# @return Le cluster dont le noyau a ete recentre
def recentreNoyau (cluster):
        print "a completer"
        
        
## \brief Affiche les noyaux dans un format lisible 
# @param noyaux Liste des noyaux a afficher
def afficheNoyaux (noyaux):
        if len(noyaux) > 0:
                print "Noyaux  :", noyaux[0]
                for noyau in noyaux[1:]:
                        print "         ", noyau
                        

## \brief Affiche le resultat du clustering, i.e. la liste des clusters
def afficheResultat ():
        afficheClusters(CLUSTERS)
        

## \brief Initialise l'algorithme
# 
# Construit la liste \c CLUSTERS. Initialement, le premier cluster contient toutes les donnees (sauf les autres noyaux)
# @param k Nombre de clusters desires 
# @param listeNoyaux Liste des noyaux. Si pas specifiee, prend les k premieres donnees comme noyaux
def chargeDonnees (k, listeNoyaux = None):
        global CLUSTERS

        noyaux = listeNoyaux
        if noyaux == None:
                # Par defaut on choisit les k premieres donnees comme noyaux
                noyaux = DONNEES[0:k]
                afficheNoyaux(noyaux)
        
        # Initialement, par defaut, affecte toutes les donnees au premier noyau : 
        print "a completer"
        

## \brief Retourne la liste des noyaux
# @return La liste des premiers elements de chaque cluster
def retourneNoyaux ():
        print "a completer"


## \brief Retourne si la liste de clusters passee en parametre est satisfaisante, ou s'il faut continuer a iterer
# @return True si la liste des noyaux n'a pas change depuis l'iteration precedente 
def fini ():
        print "a completer"
        
        
## \brief Boucle principale qui met a jour les clusters
def reviseClusters ():
        global VIEUXNOYAUX, CLUSTERS

        noyaux = retourneNoyaux() 
        VIEUXNOYAUX = copy.deepcopy(noyaux)
        
        # Forme les clusters autour des noyaux :
        CLUSTERS = formeClusters(noyaux)
        
        # Recentre le noyau de chaque cluster :
        CLUSTERS = [recentreNoyau(cluster) for cluster in CLUSTERS]
#       afficheClusters(CLUSTERS)


############################

# Charge la base de donnees :
execfile("maladies.py")
#execfile("profits.py")

# Initialise l'algorithme de k-means :
chargeDonnees(4) 

# Lance l'agorithme de clustering :
execfile("clustering.py")

---