K-means聚类算法简介
举个栗子
图一有ABCDE这五个点。
我们先随机选择两个点作为我们的初始聚类中心（簇中心点），标记为红点和黄点。
开始第一次聚类。对于所有点分别计算其到红点和黄点的距离，我们发现AB点到红点距离更近，而CDE三个点到黄点的距离更近。于是，AB为一簇，CDE为一簇。然后对于这两簇，分别计算簇内各点的均值，标记为新的红点和黄点（图三）。
开始第二次聚类。我们发现ABC点到红点距离更近，而DE点到黄点的距离更近。于是，ABC为一簇，DE为一簇。对于这两簇，分别计算簇内各点的均值，标记为新的红点和黄点（图五）。
开始第三次聚类。我们发现仍然是ABC为一簇，DE为一簇。计算新的簇中心点，发现与第二次聚类中心点一致。
结束。
sklean.cluster.KMeans方法
form sklearn.cluster import KMeans
import numpy as np
km = KMeans(n_clusters=3) # 分成三类
label = km.fit_predict(cityData) # cityData由31个城市的8个数据组成的list
expenses = np.sum(km.cluster_center_, axis=1) # 聚类中心点的数值（每一簇点各个属性的均值）加和
KMeans方法参数
