算法：
1．给定一个数据集，输入一个k，表示要将这个数据集分成k个聚类（分成k组）
2．设置k个中心点，a1,a2,….ak,初始化成数据集的前k条数据
3．从a1开始，到数据集的最后一个，对每一条数据，测量其和每一个中心点距离，选取最小的一个，将这个数据划至这个中心点代表的聚类当中
4．步骤三完成后，对每一个聚类重新计算中心点（即更新a1…..ak），看与上一次的有没有不同，如果不同,则重复步骤3；若中心点不再发生变化，则完成
5．输出分组结果
*1.欧基里德距离：
Xi,Xj为给定的两点,d为向量数,d=12,p=2
*2.中心点的求法(老师没有提过)
我在查一下
*3.非数值型属性的数值化
数据集共有1000条数据,每条数据都有3个属性值,分别为本WarmBlooded(是否是热血动物),Weight（重量）,Colour（颜色）
在此算法中，因为要计算距离，要求所有数据必须是数值型。而在给定的数据集中warmblooded和colour属性都是列举值，这样需要对其进行数据处理。
3．1．也就是WarmBlooded的属性下的数值为yes时，将其作为1来计算，同理no的时候，作为0来计算。
3．2比较麻烦的是color属性，此属性下共有
brown,grey,white,black,red,pink,green,blue,yellow,silver
10个列举行的数值，这需要将这个属性分成10个属性，这样修改后的数据集就变成了12个属性，分别为：WarmBlooded(是否是热血动物),Weight（重量）,brown,grey,white,black,red,pink,green,blue,yellow,silver
当原始数据集中的这个的属性值为brown时，在修改后的数据集中brown属性下对应的属性值为1，其他9个颜色的属性值为0；
同理，当原始的数据集color对应的值为pink时，在修改后的数据集中pink属性下对应的值为1，其他的9个颜色属性值为0；
*4.程序的健壮性
输入k的时候检查是否为大于零正数值,且k的值小于数据的条数,既小于1000
分 --> |
