K均值聚类是最著名的划分聚类算法，由于简洁和效率使得他成为所有聚类算法中最广泛使用的。该方法只需要给定样品数据和需要的聚类数目k，就可以得到意义比较明确的结果。
K均值聚类法分为如下几个步骤：
1)初始化聚类中心
2)聚类：按就近原则将样本归入各聚类中心所代表的类中，
3)重新计算样本均值，更新聚类中心。
4)判断聚类是否合理，一般认为聚类中心稳定为终止条件，不合理则回到第2步。循环进行2,3,4步、修改直至达到算法终止条件。
定义：Cluster_Kmeans(sample:array,n:integer,options:array):array;
说明：sample是一个样本数据观测矩阵，每一行是一个样本数据，本函数依据各种不同的距离对样本进行快速聚类
参数：
Sample：样本数据观测矩阵，每一行是一个样本数据
n：分类数，整数类型
options：功能选项
options['maxiter']：最大迭代次数,默认次数20
options['tol']：迭代精度，样本中心变化， 默认迭代精度1.0e-15
options['distance']：距离方式，参数的输入格式参见表4-2，默认为欧氏距离
options['out']：输出格式，0为输出为各个样本对应的类，1为输出每行为一个类默认为1
使用判别分析中的数据进行快速聚类分析(参见平台下的Demo_Discrim_cluster函数)
return cluster_kmeans(c,2,array('maxiter':50,'distance':5,'out':0));
结果：
第一类：山西、内蒙古、吉林、黑龙江、河南、甘肃、青海、河北、陕西、宁夏、新疆、云南、湖南、安徽、贵州、山东、江西、海南
第二类：辽宁、四川、福建、广西、天津、江苏、浙江、北京