我正在尝试实现 k-means 聚类算法，但我对计算距离和更新（移动）聚类质心感到困惑。例如，假设我有 2 个功能。其中一个是weight={2,4,6,8,11,14,21}，另一个是height={4,6,7,8,9,12,14}。所以，在坐标系中，我的点是x1={2,4},x2={4,6},x3={6,7}等等。然后，我随机初始化集群质心，不管现在有多少，但它们也有坐标。比方说μ1={4,2}。至此，我明白了如何用欧几里得距离计算距离。

我计算距离的代码：

def get_distance(x1,x2,s1,s2):
      return np.sqrt(np.power(s1-x1,2)+np.power(s2-x2,2))

现在我有距离了。

我的第一个问题是集群分配步骤（循环中的第一步）如何知道哪个质心分配给 c（i）。我的意思是，我应该查看每个质心以了解哪个样本（x（i））接近它然后我应该将质心分配给 c(i)，对吗？

我的第二个问题，假设我有距离，我现在有 c(1,2..,n) 数组。算法的第二步称为移动（更新）质心步骤，我们计算 μ。根据公式，这个 μ 是分配给集群的点的平均值，例如 μ1=[x(3) + x(4) + x(6)] / 3。但是，这里的 μ 是坐标系中的一个点，对？我的意思是，μ1 是 {4,2}。这怎么可能？这是一个点而不是变量。它有坐标。好吧，如果它将成为一个变量，假设 μ1=5，我该如何减去 ||x(i)-μ|| 然后？x 是一个坐标。

我的最后一个问题很简单。对于这个例子，我有两个特征重量和高度。我们可以在 k-mean 中使用的最大特征数是多少？是否可以对许多特征使用 k-mean 算法？例如，我的第一个特征是高度，第二个是重量，第三个是宽度，第四个等等。

我希望，我清楚地解释了我的问题。如果没有，对不起英语不好。我认为这三个问题是独立的问题，所以你可以回答其中一个。

谢谢。