、K-中心点算法与K-means算法在原理上相近，不同的是水貔藻疽，K-中心点算法在选择中心点时不取样本均值点，而是在类别内选取到其弓谫形髁余样本距离之和最小的样本为中心点。K-中心点算法主要是用cluster软件包中的pam()函数来实现的。该函数的基本格式为：pam(x,k,diss=inherits(x,"dist"),metric=c("euclidean","manhattan"),medoids=NULL,stand=FALSE,cluster.only=FALSE, do.swap=TRUE, keep.diss=!diss&&!cluster.only&&n<100, keep.data=!diss&&!cluster.only, pamonce=FALSE,trace.lev=0)其中x表示待处理数据集,k表示类别数；metric用于选择样本点间距离测算的方式，包括"euclidean",和"manhattan"；medoids默认为NULL时，表示由软件选择初始中心点样本，也可手动设定k维向量来指定初始点；stand表示聚类前是否需要标准化;cluster.only默认为FALSE，为TRUE表示仅获取样本类别。
工具/原料
R软件
数据集
方法/步骤
1、读取数据集。Tourism_shares=read.csv("Tourism_shares.csv",head=T,encoding="utf-8")head(Tourism_shares)dim(Tourism_shares)
2、进行聚类分析。libra筠续师诈ry(cluster)#加载软件包fit_pam1=pam(na.omit(Tourism_shares[,3多唉捋胝:6]),k=3)#采用k中心点算法将数据集分为k=3类print(fit_pam1)#输出聚类结果结果中的Medoids指明了具体第几个样本为各类别的中心点。
3、保存每个样本的所属类别。Tourism_shares["K_Medoids_cluster"]=fit_pam1$clusterhead(Tourism_shares)#查看数据和前面的K-means聚类结果对比，可以发现不同样本点在两种算法的聚类结果是有差别的。
4、绘制散点图。plot(Tourism_shares[,3:6],pch=fit_pam1$cluster-1)
