基于k-means算法聚类问题的研究

张勤

摘要：K-means算法是一种分类的聚类算法，通过这种算法，对药品销售数据进行处理，把销量较好的一组显示给用户，实现药品销售排行功能，以方便用户的采购，也便于销售商掌握销售规律，采取相应的措施。这样也就完成K-means聚类算法的实现过程。

关键词：聚类算法;可行性;聚类算法的实现过程

中图分类号：TP301.6 文献标识码：A 文章编号：1672-9129（2020）08-0182-01

1 問题的提出

当今是一个信息爆炸的时代，在生产和生活的各个方面，每天都有形形色色的海量数据不断出现，这些数据背后都隐藏着有价值的信息。这些信息 需要被挖掘才能体现价值，聚类是这个过程中最常用到的一个技术，所以聚类被越来越多地运用，得到了越来越多的重视。例如，在药品销售方面，既存在销路一般的滞销药，也有着销售速度极快的畅销药。而倘若能够准确把握其中的数据信息，采取聚类分析的方法来对相关药品实施统一化的销售处理，就能够让药品的处理率得到有力提升，而且还可以通过对药品销售规律的把控，科学化地处理多类别药品。

2 K-means聚类算法

客观地说，聚类分析属于一种以挖掘数据为核心的功能，其能够充当为一种获取数据分布情况的工具，为使用者正确认知类别对象特点，进而进行集中化的类别分析提供数据支持。同时，其作为当前较为时兴的一种算法，能够对注入市场营销、生物学、空间数据技术、机器学习、统计学以及数据挖掘等多个领域提供便利。由于各领域都存有数据储存量庞大的数据库。故此，聚类分析意境逐步发展成数据挖掘领域中一个极其重要的研究课题。对于k-means 算法而言，其接受输入量为k;然后以k为聚类划分n各数据对象，进而获得相应的聚类满足：不同聚类中各个对象的相似度不高，而同一聚类中各个对象则有着极高的相似度。而其中的相似度，则是以聚类对象的“中心对象”，也就是均值来计算而得。

3 K-means聚类算法的可行性

聚类算法在各个方面都有所应用，在生物学上对于基因的聚类，分别同一物种;在上市分析上帮助销售人员选择客户群;在房地产选址方面也能选择较好的房源;在居民阶梯电量制定方法双眼皮也有应用。现如今药品的数量、种类繁多，单独去了解一个或一类药品费时费力，而聚类K-means正是分类的算法，在此以销量作为分组的依据，把销量较好的显示给用户。销量较差的提示给管理员，采取相应的措施。所以该系统使用K-means算法也是可行的。

4 K-means聚类算法的基本步骤

（1）从数据中选择k个对象作为初始聚类中心;

（2）计算每个聚类对象到聚类中心的距离来划分;

（3）再次计算每个聚类中心

（4）计算标准测度函数，到达到最大迭代次数，则停止，否则，继续操作。

5 K-means聚类算法的实现过程

首先对所选数据进行预处理和标准化，做预处理是因为数据的“不纯净”，提高数据的挖掘质量，节约数据挖掘的时间;数据标准化是为了压缩数据，提高数据的准确性和有效性。标准化的方法为：已知有n个药品，设第i个药品，第j个属性的值为Xij，

下面是选择的部分数据：

经过K-means聚类后可得到两大药品分类，第一类编号为：3、4、5、6、7;第二类编号为：8、9、11、12、13。

结语：用数据聚类K-means算法，通过聚类分析把销售数据分为几组，把销量好的显示给用户，便于采购。销量不好的反馈给管理者，以便采取措施，调整销售策略。下一步将软件的开发和完善。

参考文献：

[1] 阿霍. 计算机算法设计与分析（英文版）[M].北京：机械工业出版社，2006.

[2] 任恒妮. 大数据 K-means 聚类算法的研究与应用[J].信息技术2019（11）

[3] 王晓东.计算机算法设计与分析[M].北京：电子工业出版社，2018.

[4] 王晓云，陈业纲.计算机算法设计、分析与实现[M].北京：科学出版社，2012.