如何在约束条件”每个簇内的西瓜样本数量是一样多的“（每个簇有10个西瓜数据）前提下，把这30个西瓜数据聚类分成3个簇？

Question

博主您好，拜读了您《Python实现聚类K-means算法》这篇文章(https://blog.csdn.net/wyn1564464568/article/details/125782286?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522170032756216800226592639%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=170032756216800226592639&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~baidu_landing_v2~default-4-125782286-null-null.nonecase&utm_term=Python%E5%AE%9E%E7%8E%B0%E8%81%9A%E7%B1%BBK-means%E7%AE%97%E6%B3%95&spm=1018.2226.3001.4450)
个人在想改造一下这部分代码，有个想法请教：

在约束条件”每个簇内的西瓜样本数量是一样多的“（每个簇有10个西瓜数据）前提下，把这30个西瓜数据聚类分成3个簇，：

但是运行程序后，聚类分布示意图里总有两个数据点出现异常，不能实现”每个簇有10个西瓜数据“。麻烦博主帮忙分析一下如何改进代码（自己修改过的代码片段如下）。

    # 清空对簇的划分，对应上面算法的第3行
    clusters = []
    c = []
    for i in range(k):
        clusters.append([])
        c.append([])

    # 这个for对应上面算法的4-8行
    for melon in melons:
        '''
        argmin 函数找出容器中最小的下标，在这里这个目标容器是：
        list(map(lambda vec: np.linalg.norm(melon - vec, ord = 1), mean_vectors)),
        它表示melon与mean_vectors中所有向量的距离列表。
        (numpy.linalg.norm计算向量的范数,ord = 1即曼哈顿范数，ord = 2即欧几里得范数或模长)
        '''
        L = list(map(lambda vec: np.linalg.norm(melon - vec, ord=1), mean_vectors))
        # 表示melon与mean_vectors中所有向量的曼哈顿距离列表
        for i in range(k):
            c[i] = np.argmin(L)  # 取最小距离对应的下标值，存入c
            if len(clusters[c[i]]) < 10:  
                clusters[c[i]].append(melon)
                break  # 如果最小距离值下标对应的样本簇，簇内样本数量少于10，则将该样本加入该簇
            else:
                L[c[i]] = 999999
                # 否则，将最小距离c[i]定义无穷大，并继续重复上述步骤

Answer 1

    if rnd > ROUND_LIMIT or change < THRESHOLD:
        break

这里的阈值你调整下看看
我感觉博主的程序有点凑出来的感觉。本身这些数据你就是肉眼看也看不出来明显的聚类（如果都是黑色的点），强行划分了3类而已。