K-means的mapreduce实现
输入：k, data[n];
（1） 选择k个初始中心点，例如c[0]=data[0],…c[k-1]=data[k-1];
（2） 对于data[0]….data[n], 分别与c[0]…c[n-1]比较，假定与c[i]差值最少，就标记为i类;
（3） 对于所有标记为i点，重新计算c[i]={ 所有标记为i类的data[j]之和}/标记为i类的个数;
（4） 重复(2)(3),直到所有c[i]值的变化小于给定阈值。
在一次迭代，第二步是最耗时，比如一亿个样本要聚成一万类，需要一万亿次基本操作。而这一步也是容易进行并行处理的。data[0]与c[0]…c[n-1]比较的同时，data[1]可以与c[0]…c[n-1]比较。这种最耗时的步骤容易并行处理的特性决定了，k-means分布式实现有效。
基于mapreduce的k-means，一次迭代需要启动一次mapreduce过程。每次mapreduce过程，执行(2)(3)步骤。 基于mapreduce的k-means的算法流程如下：
输入：k, data[n]（data应存在dfs里）;
（1）本地选择k个初始中心点。c[]存入文件clusterlist；
（2）启动mapreduce过程，将文件clusterlist分发到各个节点。输入为存在dfs上的data,输出为dfs的dfs_clusterlist；
（3）map过程：输入data[1,..,n]。对于data[k], 与c[0]…c[n-1]比较，假定与c[i]差值最少，就标记为i类。输出i,data[k]。i为key,data[k]为value；
（4）reduce过程：由于类别为key，则同一类别的所有data会输入同reduce并且紧邻。这样我们可以重新计算c[i]={ 所有标记为i类的data[j]之和}/标记为i类的个数。将结果输出到res。
（5）本地抓取dfs_clusterlist。dfs_clusterlist与原有的clusterlist比较。若变化小于给定阈值，则算法结束；反之，则用dfs_clusterlist替换clusterlist,跳转到(2)。