简介：在接触机器学习的时候，大部分都是从Kmeans算法开始，kmeans方法可以说是一种比较简单的聚类算法，单机版的kmeans算法网上有很基于python，java，matlab，R等的实现。运用于海量数据的有mahout，spark mllib等分布式实现，直接调用就可以使用，本文主要介绍基于spark的kmeans算法的实现，由于资源有限，该程序是在本地运行的，数据源使用的是本地文件。

数据集介绍（格式如下）：

5.0#3.6#1.4#0.2#1

5.1#3.7#1.5#0.4#1

每一行都代表是一个样例的特征值，并且用#号切分，这里省去了特征提取和处理的过程。

算法原理（这个大家肯定都清楚，一笔带过）：

算法接收参数K值，将实现输入的n个数据对象划分为k个聚类，以便使得所获得的聚类满足，同一聚类中的对象相似度较高，而不同聚类中的相似度较小。

spark具体实现：

这里主要涉及到4个类：

KmeansProperty：每个对象的特征值；

Cluster：每个节点所属的簇ID及其特征值；

RandomClusterGenerator：读取训练集数据，并且生成原始的簇中心点；

Kmeans：调度类；

KmeansProperty详解：

Cluster详解：

主要包含3个属性：簇ID，该簇的节点个数，该节点的特征值；其它的构造方法及toString容易理解。

RandomClusterGenerator详解：

包含4个属性：k指簇的个数，data是训练样本集，clusters是生成的k个簇中心节点，kmeansCLuster是ArrayList类型的簇中心节点。

getInitialCluster是生成k个中心点。

Kmeans详解：

主要涉及到两个方法：

获得节点到7个簇中心的最小距离（这里默认的是分成7类）在map操作中使用

计算连个节点之间的距离

该方法主要是在reduceByKey的时候调用，生成新的节点

获得每个节点所属的簇中心的ID

下面的方法是计算最新的簇中心点，并转化成ArrayList类型

上述过程是一次迭代，要是根据迭代的个数只需要加循环就可以。