在利用深度学习开源代码测试自己数据时，会遇到对自己构建数据集进行均值和方差计算的问题。本资源有两个python脚本，在python3下编写，一个是直接求取原始数据集均值，一个是对拉成张量后的数据集进行均值和方差求取处理，用于transforms.Normalize()函数设置。

一、背景 1.项目描述 你拥有一个超市(Supermarket Mall)。通过会员卡，你用有一些关于你的客户的基本数据，如客户ID，年龄，性别，年收入和消费分数。 消费分数是根据客户行为和购买数据等定义的参数分配给客户的。 问题陈述：你拥有这个商场。想要了解怎么样的顾客可以很容易地聚集在一起(目标顾客)，以便可以给营销团队以灵感并相应地计划策略。 2.数据描述 字段名 描述 CustomerID 客户编号 Gender 性别 Age 年龄 Annual Income (k$) 年收入，单位为千美元 Spending Score (1-100)

K均值聚类函数（matlab版本）

 针对Mean Shift算法不能跟踪快速目标、跟踪过程中窗宽的大小保持不变的特点。首先，卡尔曼滤波器初步预测目标在本帧的可能位置；其次， Mean Shift算法在这点的邻域内寻找目标真实的位置；最后，在目标出现大比例遮挡情况时，利用卡尔曼残差来关闭和打开卡尔曼滤波器。实验表明该算法在目标尺度变化、遮挡等情况下对快速运动的目标能够取得较好的跟踪效果。

该文档为数据挖掘中常用的分类算法K-means均值聚类算法，包含源码+详细步骤

R语言实现K-mean聚类并画出聚类图(非调用package)

基于Mean Shift的目标跟踪.pptx

MATLAB实现K-均值聚类算法，可以自由调整点集和聚类中心个数。 程序中包含函数，如MATLAB版本较低请将文件中的函数另外新建文件保存。

针对点云数据进行Mean shift聚类，可以通过调整聚类算法的阈值以及搜索半径，来达到不同的聚类效果，内附有示例,运行test.m即可。

关于k-means聚类的原理可以参考这篇博客： https://blog.csdn.net/sinat_36710456/article/details/88019323 本篇只讨论基本的代码实现，由于只是对一维数组的聚类，距离公式上比较简单：distance = |a – b| 适合初学者理解最基本的原理 所谓一维数组 比如： [12, 3, 56, 89, 78, 2, 12, 45, 255, 236] 以下代码实现的是对一组数字的聚类 类别的个数可以设置，改变参数n的值即可 代码如下（建议从最下边的主函数开始看起）： import numpy as np impor