基于k-means算法聚類問題的研究

張勤

摘要：K-means算法是一種分類的聚類算法，通過這種算法，對藥品銷售數據進行處理，把銷量較好的一組顯示給用戶，實現藥品銷售排行功能，以方便用戶的采購，也便于銷售商掌握銷售規律，采取相應的措施。這樣也就完成K-means聚類算法的實現過程。

關鍵詞：聚類算法;可行性;聚類算法的實現過程

中圖分類號：TP301.6 文獻標識碼：A 文章編號：1672-9129（2020）08-0182-01

1 問題的提出

當今是一個信息爆炸的時代，在生產和生活的各個方面，每天都有形形色色的海量數據不斷出現，這些數據背后都隱藏著有價值的信息。這些信息 需要被挖掘才能體現價值，聚類是這個過程中最常用到的一個技術，所以聚類被越來越多地運用，得到了越來越多的重視。例如，在藥品銷售方面，既存在銷路一般的滯銷藥，也有著銷售速度極快的暢銷藥。而倘若能夠準確把握其中的數據信息，采取聚類分析的方法來對相關藥品實施統一化的銷售處理，就能夠讓藥品的處理率得到有力提升，而且還可以通過對藥品銷售規律的把控，科學化地處理多類別藥品。

2 K-means聚類算法

客觀地說，聚類分析屬于一種以挖掘數據為核心的功能，其能夠充當為一種獲取數據分布情況的工具，為使用者正確認知類別對象特點，進而進行集中化的類別分析提供數據支持。同時，其作為當前較為時興的一種算法，能夠對注入市場營銷、生物學、空間數據技術、機器學習、統計學以及數據挖掘等多個領域提供便利。由于各領域都存有數據儲存量龐大的數據庫。故此，聚類分析意境逐步發展成數據挖掘領域中一個極其重要的研究課題。對于k-means 算法而言，其接受輸入量為k;然后以k為聚類劃分n各數據對象，進而獲得相應的聚類滿足：不同聚類中各個對象的相似度不高，而同一聚類中各個對象則有著極高的相似度。而其中的相似度，則是以聚類對象的“中心對象”，也就是均值來計算而得。

3 K-means聚類算法的可行性

聚類算法在各個方面都有所應用，在生物學上對于基因的聚類，分別同一物種;在上市分析上幫助銷售人員選擇客戶群;在房地產選址方面也能選擇較好的房源;在居民階梯電量制定方法雙眼皮也有應用。現如今藥品的數量、種類繁多，單獨去了解一個或一類藥品費時費力，而聚類K-means正是分類的算法，在此以銷量作為分組的依據，把銷量較好的顯示給用戶。銷量較差的提示給管理員，采取相應的措施。所以該系統使用K-means算法也是可行的。

4 K-means聚類算法的基本步驟

（1）從數據中選擇k個對象作為初始聚類中心;

（2）計算每個聚類對象到聚類中心的距離來劃分;

（3）再次計算每個聚類中心

（4）計算標準測度函數，到達到最大迭代次數，則停止，否則，繼續操作。

5 K-means聚類算法的實現過程

首先對所選數據進行預處理和標準化，做預處理是因為數據的“不純凈”，提高數據的挖掘質量，節約數據挖掘的時間;數據標準化是為了壓縮數據，提高數據的準確性和有效性。標準化的方法為：已知有n個藥品，設第i個藥品，第j個屬性的值為Xij，

下面是選擇的部分數據：

經過K-means聚類后可得到兩大藥品分類，第一類編號為：3、4、5、6、7;第二類編號為：8、9、11、12、13。

結語：用數據聚類K-means算法，通過聚類分析把銷售數據分為幾組，把銷量好的顯示給用戶，便于采購。銷量不好的反饋給管理者，以便采取措施，調整銷售策略。下一步將軟件的開發和完善。

參考文獻：

[1] 阿霍. 計算機算法設計與分析（英文版）[M].北京：機械工業出版社，2006.

[2] 任恒妮. 大數據 K-means 聚類算法的研究與應用[J].信息技術2019（11）

[3] 王曉東.計算機算法設計與分析[M].北京：電子工業出版社，2018.

[4] 王曉云，陳業綱.計算機算法設計、分析與實現[M].北京：科學出版社，2012.