例如：下表是一个简单聚类例子，包含了9个 顾客的信息，分三类，两个特征值(数量,价 格)
类1:购少量高价商品，类2：购大量的高价品， 类3：购小量的低价商品。
聚类是一个非常难的问题,因为在一个n维的 样本空间数据可以以不同的形状和大小揭示 类。
下面基于欧几里得二维空间的聚类过程的一 个示例。
描述。聚类结果是类和它的特征或描述。
规范化的描述有以下几种图式： 1.通过它们的重心或类中关系远的（边界） 点表示n维空间的一类点。 2. 使用聚类树中节点图形化地表示一个类。 3.使用样本属性的逻辑表达式表示类。
现有的用于数据挖掘的聚类方法分为 四类:分割法,分层法,密度法和网格法。
分割聚类法一般是通过优化一个评价 函数把数据分割成K个部分，主要有两 种方法：K-means聚类法和Kmedoid聚类法.K-means法在处理海 量数据库方面很有效，特别是对数值 属性处理。K-prototypes是结合Kmeans和K-modiod的优点，可以同 时处理数值与符号属性和聚类法
6.2 相似度的度量
为了规范化相似度的度量标准，我们有如下 约定：在样本空间Ｘ的聚类算法中，用一个 数据向量表示一个样本x(或特征向量，观察 值)。假定每一个样本xi∈Ｘ,i=1,…,n都用向 量xi={xi1,xi2,…xim}来表示，m的值是样本 的维数（特征），n是一个样本数。
如果某个样本xi的单个分量xij是一个特征或 属性值，那么每一组成xij，j=1,..,m是一个 域Pj。则每一个特征的值的取值范围。
值得注意的是：没有哪一种聚类技术对揭示 多维数据集中的构造种类是普遍适用的。使 用者对问题的理解和与其相应的数据类型是 选择合适方法的最好标准，大多数聚类算法 基于下面两种常见方法：
