這個問題其實是上學期某門課的大作業的三個題目之一。公佈題目後我就對這個內容很感興趣，然而由於種種原因，和隊友商量之後仍然選擇了看起來最簡單的句子分類，對此我不無遺憾。
　　這個寒假裡計劃要乾的事情其實有很多，完成這個專案是其中之一；對CS的熱門方向——如機器學習等聽起來神乎其神的領域——有所瞭解也在ToDo-List上。據說最好的學習方式是learning in projects，不如趁此機會鞏固一下python。

問題描述

　　給定一組內容是兩個人在不同光線條件、不同表情下拍攝的面部照片，將照片按照人物分成兩類。
　　
輸入：
　　10個2016維的向量。每張照片有2016個“畫素點”，輸入資料對應著10張照片的灰度圖。
　　
輸出

過程

1. 處理輸入

   　　由於PCA有現成的庫，K-Means聚類的過程也相對清晰，因此處理輸入資料相關事宜的耗時可能要佔去1/3。
   　　最為智障的是，一開始我以為input.txt中第i * 2016 ~ ((i + 1) * 2016 - 1)個數是第一幅圖的灰度值，聚類聚了半天卻發現怎麼都不對，場面一度十分尷尬；直到發現灰度圖也無法還原，我才意識到可能檔案中每一列是一幅圖片的灰度向量……
   　　

2. PCA降維
   　　因為沒有學過高等代數，所以這部分我一直寄希望於現成的庫。對於PCA的數學原理，理解起來心有餘而力不足，找到的解釋玄之又玄，我在深夜怎麼都進不了眾妙之門。
   　　
   　　然而，在向小夥伴討要原始測試資料時，超nice的小夥伴發給我一些他覺得有如神助的參考資料，其中就有這篇講解由淺入深、極為清晰動人的

   PCA的數學原理。看完重拾對自己的信心，豈不美哉。
   　　

3. K-Means聚類
   　　開始的幾個晚上，簡直是面向bing懵逼……網上有不少聚類的例子，有些二維向量聚類的結果能被影象化，但2016維怎麼畫在平面上？陷入僵局.jpg。
   　　
   　　某一天忘了什麼契機，突然在一個瞬間恍然大悟，n維空間中的兩個點也可以算距離啊！！之前的想法就很僵硬！這世界不只是二維和三維的嘛！
   　　想通之後，碼程式碼勢如破竹，半個晚上就搞定了這部分。
   　　
   　　一些很有趣的拓展閱讀資料：資料探勘十大演算法詳解。

4. 還原灰度圖檢驗
   　　這部分用Matblab來做。

遇到的問題

1. 判斷終止條件時，試圖計算這一次質心和上一次對應的質心之間的距離之差。然而怎麼知道哪兩個質心是對應的呢？
   　　>>最終放棄此法，而選擇設一個聚類次數上限。

2. 發現list可以賦值給array！之後就變成向量運算了！python太好用了！記得需要把座標都存成向量的形式。

3. 變數的作用域問題。假設dots本來是一個list，如果在函式內重新賦值dots = []的話，新賦的物件並不能被函式外感知到。尷尬。

4. 試圖記錄執行log，但是write到檔案需要把list轉化成str，而且還可能會被省略號代替。醜。
   　　>>然而我畢竟是學過ICS的人。C中有dup2()函式可以重定位，python中也可以呢。

temp = sys.stdout # 存一下標準輸出原先的值
sys.stdout = open(filename, 'w') # 重定位到檔案指標上
sys.stdout = temp # 恢復標準輸出