簡單對比一下這兩者的區別。兩者的主要區別主要在質心的選擇中，k-means是樣本點均值，k-medoids則是從樣本點中選取。
首先給出兩者的算法實現步驟：
K-means
1、隨機選取K個質心的值
2、計算各個點到質心的距離
3、將點的類划分為離他最近的質心，形成K個cluster
4、根據分類好的cluster，在每個cluster內重新計算質心(平均每個點的值)
5、重復迭代2-4步直到滿足迭代次數或誤差小於指定的值
K-medoids
1、隨機選取K個質心的值 （質心必須是某些樣本點的值，而不是任意值）
2、計算各個點到質心的距離
3、將點的類划分為離他最近的質心，形成K個cluster
4、根據分類好的cluster，在每個cluster內重新計算質心：
4.1 計算cluster內所有樣本點到其中一個樣本點的曼哈頓距離和(絕對誤差)
4.2 選出使cluster絕對誤差最小的樣本點作為質心
5、重復迭代2-4步直到滿足迭代次數或誤差小於指定的值
以上就可以看出兩者之間的區別：
k-means的質心是各個樣本點的平均，可能是樣本點中不存在的點。k-medoids的質心一定是某個樣本點的值。
這個不同使他們具有不同的優缺點。
1、k-medoids的運行速度較慢，計算質心的步驟時間復雜度是O(n^2)，因為他必須計算任意兩點之間的距離。而k-means只需平均即可。
2、k-medoids對噪聲魯棒性比較好。例：當一個cluster樣本點只有少數幾個，如（1,1）（1,2）（2,1）（100,100）。其中（100,100）是噪聲。如果按照k-means質心大致會處在（1,1）（100,100）中間，這顯然不是我們想要的。這時k-medoids就可以避免這種情況，他會在（1,1）（1,2）（2,1）（100,100）中選出一個樣本點使cluster的絕對誤差最小，計算可知一定會在前三個點中選取。
以上。雖然k-medoids也有優點，但是他只能對小樣本起作用，樣本一大，他的速度就太慢了，而且當樣本多的時候，少數幾個噪音對k-means的質心影響也沒有想象中的那么重，所以k-means的應用明顯比k-medoids多的多。
————————————————
版權聲明：本文為CSDN博主「databatman」的原創文章，遵循CC 4.0 BY-SA版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/databatman/article/details/50445561