K均值算法僞代碼：
- 隨機的選取K箇中心點，代表K個類別；
- 計算N個樣本點和K箇中心點之間的歐氏距離；
- 將每個樣本點劃分到最近的（歐氏距離最小的）中心點類別中——迭代1；
- 計算每個類別中樣本點的均值，得到K個均值，將K個均值作爲新的中心點——迭代2；
- 重複234；
- 得到收斂後的K箇中心點（中心點不再變化）——迭代4。
上面提到的歐氏距離（Euclidean Distance），又叫歐幾里得距離，表示歐幾里得空間中兩點間的距離。我們初中學過的座標系，就是二維的歐幾里得空間，歐氏距離就是兩點間的距離，三維同理，多維空間的計算方式和三維二維相同。
其他距離測量方法我們後面講。
舉栗子：
我們現在有三組身高體重數據180kg、180cm，120kg、160cm和90kg、140cm，提問：這三個人裏，哪兩個人的身材比較相近呢？
這三組數據可以表示爲A（180,180），B（120,160）和C（90,140），這就是我們很熟悉的平面直角座標系裏的三個點，他們之間的距離大家都知道算。
從結果可以看到Bc間的距離最小，也就是Bc的身材最相似。我們再增加一個維度，腰圍，分別是100cm、120cm和140cm（隨便編的不要當真），那現在這三組數據可以表示爲A（180,180,100），B（120,160,120）和C（90,140,140），這就變成了我們高中學過的空間直角座標系裏的三個點，要計算它們之間的距離也很簡單。
現在還是Bc的身材最相似，如果我們增加N個維度，數據就可以用（X₁,X₂,X₃,…..,Xn）和（Y₁,Y₂,Y₃,…..,Yn）來表示，他們之間的距離就是
K均值算法裏樣本點到中心點的距離就是這麼計算的，這個用空間點，來表示數據的思想，在機器學習領域是非常常見和重要的，以後還會經常見到。值得注意的是：雖然K近鄰算法和K均值算法沒有什麼關係，但是它們的思想有想通之處，並且原始模型實際使用起來計算起來都比較慢。