罗平娟，张胜礼

（兴义民族师范学院，信息技术学院，兴义562400）

0 引言

在数据挖掘的众多算法中，聚类算法是机器学习的入门基础算法，同时也是作为数据挖掘算法中其他分析算法的一个预处理步骤。K-means是迭代动态聚类算法中的一种，也被称为K-平均或者K-均值算法，是一种无监督学习的方法，是许多领域中常用的统计数据分析技术。在物流迅速发展的现代社会，设计一个合理、优化、高效率的配送方案可以大幅度提高工作效率，基于K-means算法设计的思想，使用Python语言强大的matplotlib、numpy库等作为基础编程语言[1]，通过迭代过程把配送点的数据集划分为不同的区域类别，以就近原则分配各区域的配送车辆和人员，能有效节约人力物力资源。

1 K-means算法的基本思想

K-means算法是一种使用较为广泛的聚类算法，其中K表示类簇个数，means表示类簇内数据对象的均值，它是将各个聚类子集内的所有数据样本的均值作为该聚类的代表点，通过迭代过程把数据划分为不同的类别，使得评价聚类性能的准则函数达到最优[2]。

1.1 K-means算法的步骤[3]

（1）首先，我们随机选取K个对象作为初始的聚类中心，要想知道使用的类的数量，需要快速地查看一下数据，并尝试识别各种不同的分组。

（2）然后计算每个对象与各个聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。距离的度量手段有很多种，常用的欧氏距离、曼哈顿距离等。例如假设数据集X包含n个数据点，需要划分到K个类。类中心为用集合U表示。……