r = lambda: -10 * np.random.random_sample((1, 10)) + 10
p = np.array([[r()[0][0], r()[0][0]] for _ in range(60)])
c = np.array([[r()[0][0], r()[0][0]] for _ in range(4)])

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.cm as cm
import operator
from scipy.spatial import Voronoi, voronoi_plot_2d

class KM:
def __init__(self,puntos= [],centroides= []):
    self.puntos= puntos
    self.centroides= centroides
    colors = cm.rainbow(np.linspace(0, 1, len(self.centroides)))

def DI(self): # genera matriz de distancia de los centroides a todos los puntos
    D = [[np.sqrt((c[0]-pu[0]) **2 + (c[1]-pu[1]) **2) for pu in self.puntos] for c in self.centroides]
    MD = np.array(D).reshape(len(self.centroides),len(self.puntos)) # recorta el vector dintancias "D" y forma la matriz "MD"
    return MD

def P(self):  # matriz de pertenencia . correponde "uno" cuando pertece y "cero" cuando no
    P = np.zeros((len(self.centroides),len(self.puntos)))
    for i in range(len(self.puntos)):
        P[np.where(self.DI()[:,i] == np.min(self.DI()[:,i]))[0][0]][i]=1 # np.min(self.DI()[:,i], es el minimo de la columana "i" de DI(). Entrega el indice donde ensta el minimo de la columna
    return P



def K(self): # metodo para formar grupo de clusters
    KC = []
    d = np.vstack(self.puntos[filtro == 1.] for filtro in self.P()) #reordena los puntos en funcion de P() Uso un filtro boleano
    s=np.array(self.P().sum(axis=1), int) #optiene la cantidad de elementos de cada cluster sumando las filas del P()

    ss=[sum(s[:y]) for y in range(1, len(s) + 1)] # suma acumulada de los elemento de "s" [1,2,3]-->[1,3,6]
    KC=np.split(d,ss) # recorta al array "d" segun "ss"
    return KC

def CA(self):#actualiza los centroides
    C = [np.array(self.K()[i].sum(axis=0), float)/len(self.K()[i]) for i in range(len(c))] #calcula la media de las coordenadas

    return C

def BU(self):
    a=0
    while a<2:
        a=a+1
        self.centroides=self.CA()
    return self.show()

def show(self): # metodo de visualizacion
    fig, ax1 = plt.subplots()
    pc = []
    colors = cm.rainbow(np.linspace(0, 1, len(self.centroides)))
    for i, c in enumerate(self.centroides):
        ax1.scatter(c[0], c[1], marker='o', color=colors[i], s=35)
        x_ = [x[0] for x in self.K()[i]] # formo un array con las coordenas x e y recoriendo cada cluster de K()
        y_ = [y[1] for y in self.K()[i]]
        ax1.scatter(x_, y_, marker='.', color=colors[i], s=25)



        #pc.append(np.array([self.centroides[i][0], self.centroides[i][1]]))
    #vor = Voronoi(pc)
    #voronoi_plot_2d(vor, ax1,show_vertices=False, line_colors='orange',line_width=2, line_alpha=0.6, point_size=1)

    plt.title('clusters')
    fig.show()