K-means算法思想：

       对于给定的样本集，事先确定聚类簇数k，从样本集中随机选取k个样本点作为簇中心，计算所有样本与k个簇中心的距离，对于每一个样本，将其划分到和它距离最近的簇中心所在簇中，然后在各簇中再次计算新的簇中心，新的簇中心通常以该簇中所有样本的均值表示。

 

                   

K-means算法的基本步骤：

1)       从样本集中选取k个样本点作为簇中心；

2)       计算每个样本到簇中心的距离，并通过各样本到k各簇中心的最小距离划分簇；

3)       在个簇中再次计算新的簇中心；

4)       反复迭代2，3步骤，直到达到某个终止条件。

 

 

伪代码：

function K-Means(输入数据，中心点个数K)

    获取输入数据的维度Dim和个数N

    随机生成K个Dim维的点

    while(算法未收敛)

        对N个点：计算每个点属于哪一类。

        对于K个中心点：

            1，找出所有属于自己这一类的所有数据点

            2，把自己的坐标修改为这些数据点的中心点坐标

    end

    输出结果：

end