欧几里得距离聚类算法

K-means 算法（K-Means Clustering）是机器学习领域中应用最广泛的无监督学习算法之一，其核心思想是将数据划分为 K 个互斥的簇。该算法通过初始化 K 个质心，利用欧几里得距离计算样本与质心的距离，将样本分配至最近的簇，并据此更新质心位置，反复迭代直至收敛。它属于划分式聚类（Partitioning Clustering）的典型代表，广泛应用于数据压缩、图像分割、客户分群等场景。

在现代计算架构中，K-means 算法凭借其极低的计算复杂度和线性时间复杂度，成为大规模数据集预处理的首选工具。其生态地位稳固，常作为数据探索性分析（EDA）的起点，为后续的深度学习和推荐系统提供特征工程支持。尽管存在对初始质心敏感和簇形状受限等局限，但其实现简单、并行化程度高，使其在工业界与学术界均保持着极高的活跃度，是构建数据管道中不可或缺的基石组件。