K-中心点算法与K-means算法在原理上相近，不同的是，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moreR软件数据集方法/步骤1/4分步阅读

读取数据集。

Tourism_shares=read.csv(Tourism_shares.csv,head=T,encoding=utf-8)

head(Tourism_shares)

dim(Tourism_shares)

2/4

进行聚类分析。

library(cluster)#加载软件包

fit_pam1=pam(na.omit(Tourism_shares),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。

3/4

保存每个样本的所属类别。

Tourism_shares=fit_pam1$cluster

head(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。

4/4

绘制散点图。

plot(Tourism_shares,pch=fit_pam1$cluster-1)

K-中心点聚类R聚类分析