Python数据分析教程08：Kmedoids聚类原理及python编程实现

目录

1 与Kmeans最大的区别是

2 Kmedoids聚类的原理

3 Kmedoids聚类的例子

 4 Kmedoids聚类实现代码

---

1 与Kmeans最大的区别是

与Kmeans最大的区别是：Kmeans的聚类中心是聚类的质心，这个质心一般不会对应数据中的实体点；而Kmedoids聚类的聚类中心是切实地对应着数据中的某个实体点。

如下图中，红色圆圈表示kmedoids的聚类中心，红色菱形表示Kmeans的聚类中心

2 Kmedoids聚类的原理

确定聚类数目 n 后，kmedoids聚类的过程分为以下几步：

1. 从数据中随机选择 n  个数据点，计算剩余点的每个点距离这选中的 n 个点中的哪个点最近，就将该点分到最近的聚类中心点
2. 计算当前聚类的成本，将其记录为最优成本
3. 再从数据中随机选择 n  个数据点，计算剩余点的每个点距离这选中的 n 个点中的哪个点最近，就将该点分到最近的聚类中心点
4. 计算当前聚类的成本，
   1. 如果比最优成本好，就更新聚类结果；
   2. 如果连续连续两次聚类结果不变，则停止，输出聚类结果；否则，回到第3步

详细的计算过程：

• 第一步: 计算距离矩阵，是为