遇到的问题
在对微软(OCR)的(api)进行测试的过程中，我发现有时候它并不能分析出一个表格的形态，也就是说不知道每个文本对应在表格中的第几行第几列。但是它可以较为准确的给出这些文本的坐标。
不过问题是，位于同一行的文本，他们的纵坐标不是完全相同的，但是在一个大致的范围内。位于同一列的坐标也是有这样的问题。比如一个两行三列的表格，得到的(6)个纵坐标可能是这样的：([32, 32, 37, 68, 70, 72])。那么怎么才能较为准确的分辨出哪些纵坐标其实是属于同一行的呢？
开始想过排序后看相邻差的变化量，但是这个值很难确定，大了会把两行分到一行，小了会把一行划成两行，在咨询了学长以后，学长推荐了我(K-Means)算法，于是对这个算法进行了学习。
K-Means
(K-Means)算法是聚类算法中的最常用的一种，算法最大的特点是简单，好理解，运算速度快，但是只能应用于连续型的数据，并且一定要在聚类前需要手工指定要分成几类。
聚类算法完全是靠算法自己来判断各条数据之间的相似性，相似的就放在一起。非常适合于解决我遇到的问题。
算法流程
- 随机选取(k)个中心点
- 遍历所有数据，将每个数据划分到最近的中心点中
- 计算每个聚类的平均值，并作为新的中心点
- 重复(2sim 3)步，直到这(k)个中心点不再变化，或迭代次数足够多
如下图所示：
图((a))为初始的数据集，图((b))中随机选取了(2)个中心点，一个标红一个标蓝。接下来把离红点近的绿点标红，把离蓝点近的绿点标蓝。计算红点的质心和蓝点的质心作为新的中心点并不断迭代，最终得到图((f))。
应用K-Means解决问题
可以看出，横、纵坐标互相独立，于是把他们分开处理。相当于在一维的直线上做聚类。
以下以对纵坐标处理为例进行说明。
K值的确定
最开始时打算使用行数作为(K)值，但是经过实测，这样的聚类效果并不好，而且中心点难以选取。经过思考，决定把纵坐标排序以后相邻的作差。最终分为两类，一类差值表示他们是同一行之内的坐标差值，设他们的最大值为(eps)，另一类的差值表示它们是不同行之间的坐标差值。最终认为两个坐标的差值(leq eps)则表示它们属于同一行。
于是(k)值被设定为2。这样在只有一行或者一列的话会容易出问题，不过这种表格比较少见而且没有太大意义，所以暂不考虑(没想到咋处理)。
初始质心的选择
随机的话我担心有时候可能效果不好，于是固定为最小的差和最大的差。实测效果还行。
距离计算
因为是在一维的直线上，所以采取差的绝对值即可。
代码实现
def distEclud(a, b):
return abs(a - b)
def K_Means(arr):
K = 2
p = []
arr.sort()
N = len(arr) - 1
for i in range(0, N):
p.append(arr[i + 1] - arr[i])
p.sort()
cluster = [p[0], p[N - 1]]
pos = [1 for i in range(0, N)]
for t in range(1, 101):
for i in range(0, N):
pos[i] = 0
for j in range(1, K):
if distEclud(cluster[pos[i]], p[i]) > distEclud(cluster[j], p[i]):
pos[i] = j
num = [0 for i in range(0, K)]
cluster = [0 for i in range(0, K)]
for i in range(0, N):
num[pos[i]] += 1
cluster[pos[i]] += p[i]
for i in range(0, K):
cluster[i] /= num[i]
eps = 0
for i in range(N):
if pos[i] == pos[0]:
eps = max(eps, p[i])
cnt = 0
dic = {}
lastVal = -2147483647
for i in range(N + 1):
if arr[i] - lastVal > eps:
cnt = cnt + 1
dic[arr[i]] = cnt
lastVal = arr[i]
dic["size"] = cnt
return dic