在sklearn中处理kmeans聚类问题，用到的是 sklearn.cluster.KMeans 这个类。
n_clusters：整形，缺省值=8
生成的聚类数，即产生的质心（centroids）数。
max_iter：整形，缺省值=300
执行一次k-means算法所进行的最大迭代数。
n_init：整形，缺省值=10
用不同的质心初始化值运行算法的次数，最终解是在inertia意义下选出的最优结果。
init：有三个可选值：’k-means++’， ‘random’，或者传递一个ndarray向量。
此参数指定初始化方法，默认值为 ‘k-means++’。
‘k-means++’ 用一种特殊的方法选定初始质心从而能加速迭代过程的收敛
，参见 k_init 的解释获取更多信息。
‘random’ 随机从训练数据中选取初始质心。
如果传递的是一个ndarray，则应该形如 (n_clusters, n_features) 并给出初始质心。
precompute_distances：三个可选值，‘auto’，True 或者 False。
预计算距离，计算速度更快但占用更多内存。
‘auto’：如果 样本数乘以聚类数大于 12million 的话则不预计算距离。This corresponds to about 100MB overhead per job using double precision.
True：总是预先计算距离。
False：永远不预先计算距离。
tol：float形，默认值= 1e-4
与inertia结合来确定收敛条件。
n_jobs：整形数。
指定计算所用的进程数。内部原理是同时进行n_init指定次数的计算。
若值为 -1，则用所有的CPU进行运算。若值为1，则不进行并行运算，这样的话方便调试。若值小于-1，则用到的CPU数为(n_cpus + 1 + n_jobs)。因此如果 n_jobs值为-2，则用到的CPU数为总CPU数减1。
random_state：整形或 numpy.RandomState 类型，可选
用于初始化质心的生成器（generator）。如果值为一个整数，则确定一个seed。此参数默认值为numpy的随机数生成器。
verbose：整形，默认值=0
Verbosity mode
copy_x：布尔型，默认值=True
当我们precomputing distances时，将数据中心化会得到更准确的结果。如果把此参数值设为True，则原始数据不会被改变。如果是False，则会直接在原始数据 上做修改并在函数返回值时将其还原。但是在计算过程中由于有对数据均值的加减运算，所以数据返回后，原始数据和计算前可能会有细小差别。
cluster_centers_：向量，[n_clusters, n_features]
Coordinates of cluster centers (每个簇中心的坐标？？)
Labels_:
每个点的分类
inertia_：float形
每个点到其簇的质心的距离之和。
这个k-means运用了 Lioyd’s 算法.
平均计算复杂度是 O(k n T)，其中n是样本量，T是迭代次数。
计算复杂读在最坏的情况下为 O(n^(k+2/p))，其中n是样本量，p是特征个数。(D. Arthur and S. Vassilvitskii, ‘How slow is the k-means method?’ SoCG2006）
在实践中，k-means算法时非常快的，属于可实践的算法中最快的那一类。但是它的解只是由特定初始值所产生的局部解。所以为了让结果更准确真实，在实践中要用不同的初始值重复几次才可以。
fit(X[,y])
计算k-means聚类。
fi_predictt(X[,y])
计算簇质心并给每个样本预测类别。
fit_transform(X[,y])
计算簇并 transform X to cluster-distance space。
get_params([deep])
取得估计器的参数。
predict(X)
给每个样本估计最接近的簇。
score(X[,y])
Opposite of the value of X on the K-means objective (?)
set_params(**params)
为这个估计器手动设定参数。
transform(X[,y])
将X转换入cluster-distance 空间。
