k-means算法是是个的基于组件距离的非层次聚类算法，在游戏窗口化误差函数的基础上将数据划分为可以预定的类数k，按结构距离才是相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。
k-means算法基本是步骤
(1)从数据中选择类型k个对象才是初始聚类中心
(2)算出每个聚类对象到聚类中心的距离来划分；
(3)再度算出每个聚类中心
(4)计算标准测度函数，之道都没有达到大迭代次数，则开始，否则不，再继续操作。
k均值聚类算法（k-meansclusteringalgorithm）是一种迭代求解的聚类分析算法，其步骤是，预将数据分为k组，则必掉所选k个对象充当初始的聚类中心，后再换算每个对象与各个种子聚类中心之间的距离，把每个对象未分配给距离之外它最近的聚类中心。聚类中心这些分区分配给它们的对象就代表上帝一个聚类。
kmeans聚类算法是一种常用的聚类方法。kmeans算法是两个乱词移动类中心点的过程，把类的中心点，也称重心(centroids)，天翼到其包涵成员的平均位置，然后再然后再划分问题其内部成员。
k是算法可以计算出的超参数，它表示类的数量；kmeans可以不自动出现分配样本到差别的类，可是肯定不能改变不知要分几个类。k要是一个比训练集样本数小的正整数。有时侯，类的数量是由问题内容指定的。
数据聚类的步骤:：
1.准备好数据：选择类型要聚类的数据，收集数据，擦洗数据，准备着数据格式等。
2.确定聚类的类型：可使用层次聚类，k-means聚类，密度聚类等。
3.考虑聚类数量：也可以可以使用肘部法则（elbowmethod）来查看最佳聚类数量。
4.可以计算聚类中心：中,选择合适的距离度量，计算每个聚类中心，即每个类别的数据的均值。
5.进行聚类：将数据参照相距度量怎么分配到各聚类中，以统合聚类模型。
6.评估公司聚类结果：在用轮廓系数（silhouettecoefficient）来做评估每个聚类的质量。
7.可视化展示：可以使用可视化工具来查找聚类的结果，如诗出聚类结果的散点图。
