【0】README

0.1）本文描述和源代码均为原创，旨在说明 如何将模板方法模式应用到kmean聚类算法；

0.2）模板方法模式的intro， 参见  模板方法模式

0.3）for kmeans alg source code, please visit  kmeans&templateMethodPattern

【1】intro to kmeans

1.1）准备工作：随机初始化聚类质心（随机更新质心），读取数据等；

1.2）核心算法：

for i in round

step1）为每个样本item分配质心；

step2）更新质心；

step3）打印每轮聚类结果（可选）或重定向到 持久化文件；

public final void cluster() {// 聚类方法randomRefineInitialCentroid(); // 随机初始化聚类质心for (int i = 0; i < ClusterParam.clusterExeTimes; i++) {Arrays.fill(ClusterData.clusterMemberNum, 0); // 清空聚类成员个数记录for (int j = 0; j < ClusterData.rowno; j++){  ClusterData.rownoWithClusterid[j] = assign(j);}clearDoubleArray(ClusterData.centroid); // 清空质心refine();PrintResult.print(i+1);}}

【2】将模板方法模式应用到kmean聚类算法

2.1）intro to 模板方法模式： 一句话说完，模板方法模式就是为 封装算法而生的，主要是在基类 先对 算法的steps 给出 outline， 然后 抽取各个子类的共同 steps 到 基类进行具体实现，其他的都抽象为抽象方法 有子类实现；这样一来，整个alg 的 steps 无比清晰，且易于扩展，特别是对于学术型alg，有很多变体算法，如基于kmeans的 聚类算法就有很多；

2.2） kmeans 聚类算法基类和子类

package com.research.alg2;import static java.lang.System.out;import java.util.Arrays;import com.research.io2.PrintResult;
import com.research.pojo2.ClusterData;
import com.research.pojo2.ClusterParam;public abstract class ClusterAlg {public static String algName;abstract int assign(int index); // 为 第 index 个item 分配质心，返回结果是质心编号indexabstract void refine();// 精炼质心public final void cluster() {// 聚类方法randomRefineInitialCentroid(); // 随机初始化聚类质心for (int i = 0; i < ClusterParam.clusterExeTimes; i++) {Arrays.fill(ClusterData.clusterMemberNum, 0); // 清空聚类成员个数记录for (int j = 0; j < ClusterData.rowno; j++){  ClusterData.rownoWithClusterid[j] = assign(j);}clearDoubleArray(ClusterData.centroid); // 清空质心refine();PrintResult.print(i+1);}}// reset centroid array zerosfinal void clearIntArray(int[][] data) {for (int i = 0; i < data.length; i++)Arrays.fill(data[i], 0);}// reset centroid array zerosfinal void clearDoubleArray(double[][] data) {for (int i = 0; i < data.length; i++)Arrays.fill(data[i], 0);}// randomly update or refine init centroidsfinal void randomRefineInitialCentroid() {int[] initCentorid = generateRandom(ClusterData.rowno, ClusterParam.clusterNum);System.out.println("====  init centroids are as follows：");for (int i = 0; i < initCentorid.length; i++){ClusterData.centroid[i] = ClusterData.items[initCentorid[i]].clone();out.printf("%-8s", "item" + initCentorid[i]);}out.printf("\n============================================================================\n");}/*** fabricate random array* @param volumn , random number upper limit* @param interval , interval number and there is a random number in every interval* @return a random array*/final int[] generateRandom(int volume, int interval) {int[] r_data = new int[interval];int intervalVolume = volume / interval;for (int i = 0; i < interval; i++) {int r = (int) (Math.random() * intervalVolume);r_data[i] = r + intervalVolume * i;}//		 r_data[0] = 1;
//		 r_data[1] = 101;
//		 r_data[2] = 301;
//		 r_data[3] = 501;
//		 r_data[4] = 701;
//		 r_data[5] = 901;return r_data;}
}

package com.research.alg2;import static java.lang.Math.pow;import com.research.pojo2.ClusterData;
import com.research.pojo2.ClusterParam;public class KmeansAlg extends ClusterAlg {/*** compute the centroid the item should be assigned to* @param index refers to item index* @return cluster id whose has the smallest distance between centroid and*         the item*/@Overrideint assign(int index) {double sum = 0;double miniSum = 0;int miniIndex = 0;double[] item = ClusterData.items[index];for (int i = 0; i < ClusterData.dimension; i++)sum += pow(item[i] - ClusterData.centroid[0][i], 2.0);miniSum = sum;for (int i = 1; i < ClusterParam.clusterNum; i++) {sum = 0;for (int j = 0; j < ClusterData.dimension; j++)sum += Math.pow(item[j] - ClusterData.centroid[i][j], 2.0);if (miniSum > sum) {miniSum = sum;miniIndex = i;}}ClusterData.clusterMemberNum[miniIndex]++;return miniIndex;}@Overridevoid refine() {int clusterId;for (int i = 0; i < ClusterData.rowno; i++) {clusterId = ClusterData.rownoWithClusterid[i];for (int j = 0; j < ClusterData.dimension; j++)ClusterData.centroid[clusterId][j] += ClusterData.items[i][j];}// update centroids(refinement procedure)for (int i = 0; i < ClusterParam.clusterNum; i++)for (int j = 0; j < ClusterData.dimension; j++)ClusterData.centroid[i][j] /= ClusterData.clusterMemberNum[i];}
}