1、python 使用例子（包含代码和算法说明）：https://www.cnblogs.com/ahu-lichang/p/7161613.html
2、刚接触机器学习这一个月我都做了什么？（经典的机器学习步骤，不可误入误区）：https://www.cnblogs.com/xing901022/p/6953696.html
3、K-means 算法实现：文章介绍了 k-means 算法的基本原理和 scikit 中封装的 kmeans 库的基本参数的含义：https://juejin.im/post/5daffd26e51d45249f6085a5#heading-0
4、聚类的例子 ppt，从数据准备，特征选取，特征提取，到聚类的详细讲解：https://cloud.tencent.com/developer/news/146955
5、k-means 例子：http://www.woshipm.com/ai/2102501.html/comment-page-1
6、k-modes 的介绍：http://sofasofa.io/forum_main_post.php?postid=1000500
7、k-modes 源码：https://github.com/nicodv/kmodes/blob/master/kmodes/kmodes.py
8、各类距离：https://www.cnblogs.com/WingPig/p/9760882.html
9、k-modes 应用：https://www.kaggle.com/ciujizuo/use-kmodes-to-do-clustering
K-Means 只能用于连续数据，而不能用于分类数据
因为 K-Means 算法的核心是计算空间坐标中，点与点之间的平均值，而我们知道只有连续数据可以被计算，分类数据即使使用 1234 来表示，也只是作一个代称，而不可以进行数学计算。
在计算之前，需先对数据进行归一化处理
对数据进行归一化处理是为了防止数据之间单位不一致，导致某些位数较大的参数拥有较高的权重，将所有的数据归一化则可以将所有的参数权重调节成一致。当然，如果因为业务特点而需要将某些参数的权重调高或者调低，也可以根据实际情况来，毕竟算法只是工具，真正起作用的还是使用算法的人。
K-Means 算法对数据噪声和离群值较为敏感
计算均值时需要所有的数据都参与，即使出现少量的离群数据，也会对均值产生极大的影响，所以在实际工作中使用算法时，通常需要先对离群值进行数据清洗，排除离群值对最终结果的影响，然后再进行聚类计算。