k均值聚类（k-means)算法是一种迭代求解的聚类分析算法，其原理为预将数据分为K组，选取K个对象作为初始的聚类中心，然后把每个对象分配给最近的初始聚类中心，聚类中心以及分配给它们的对象代表一个聚类。每分配一次样本，聚类中心会被重新计算。这个过程将不断重复直到达到期望结果。迭代的终止条件可以是没有对象被重新分配给不同的聚类，没有聚类中心再发生变化，或者达到最大迭代次数（默认迭代次数：300）。
k均值方法对异常值敏感，因此可以在分析前将异常/离群值剔除，否则会对聚类结果有影响。
应用场景：
- 配送中心选址，如某供应链需要添加配送中心来满足业务需求，根据成本确定配送中心个数后需要进行选址，以满足各供应点能被分配到最近的配送中心。
- 多点任务划分，如产品直销人员需要拜访经销超市，如何将多家超市合理分配给N个直销人员，可利用k均值聚类分析将地理位置相近的超市聚类为一类，每个产品直销人员可对应一个聚类。
聚类分析属于探索性分析，其结果不一定能直接解决问题，但可提供一定指导。
使用说明
功能入口:
- 在 工具箱 -> 空间统计分析 -> 聚类分布 ->双击 K均值聚类 。
主要参数
- 源数据 ：设置待分析的矢量数据集，支持点数据集。
- 聚类数目 ：聚类数目为期望经过聚类得到的分组数。一般来说会根据对数据的先验经验选择一个合适的k值，或经过多次尝试以选取最佳数目。默认值为0。
- 聚类中心初始化方法 ：K均值聚类方法的一个重要步骤为选择初始质心位置，它会对聚类结果和运行时间都有影响。组件中提供了2个初始化方法，KMEASPLUSPLUS（k-means++方法，该方法是对随机选择的优化，默认使用该方法）和KMEASRANDOM（随机选择K个质心）。
- 结果数据 ：设置结果数据所要保存在的数据源及数据集名称，与源数据的数据类型一致。
结果输出
1、在源数据集中增加了一个 Cluster_ID 字段表示结果聚类类别；
2、结果矢量数据集表示最终聚类的K个聚类中心点。