几十年来,随着科技的进步和互联网的飞速发展,带来的就是数据量的井喷式增长。为了承载这些数据,在工程层面我们经历了从单机到分布式的演变。而在逐步走向信息化的社会中,任何数据都显得弥足珍贵,所以任何能够对大数据进行分析处理的算法都具有一定的科学研究价值。聚类算法是数据处理过程中很常见的一种无监督学习算法,近些年来在算法领域也获得了很大范围的关注。但是,聚类算法分为多种类型,不同聚类算法可以处理的数据类型也不同,不同的聚类算法能够处理的数据模型也是不同的,例如,本文研究的基础算法,K-Prototypes聚类算法,就是处理混合数据类型聚类以及球形数据模型聚类的算法。K-Prototypes算法与K-Means算法和K-Modes算法有着类似的缺陷,因为K-Prototypes算发就是由这两个算法演变而来的,应该说这种K型聚类算法有着通病:首先是聚类簇数k需要人为设定(算法的参数),而大多数情况下,我们并不知道数据集应该被聚为几类;其次该类算法初始聚类中心的选择是随机的,而这将导致诸如低聚类准确性和不稳定的聚类结果之类的问题。为了改善以上问题,本文提出了一种基于样本的邻域密度和样本间的距离自适应确定初始聚类中心的策略,对算法进行改进。分析一般聚类的结果,可以发现,聚类中心都是密度较大的点,且不同簇间的聚类中心距离较远,因此可以通过找到满足这个特征的点集,来确定初始聚类中心,以达到提高聚类精度、稳定性及加快收敛速度的优化效果。对比本文提出的算法与自适应确定聚类簇数的经典聚类算法X-Means,可以证明该算法在自适应确定聚类中心方面的可用性。通过对UCI提供的Machine Learning Repository中的五个数据集上的实验证明,该算法在聚类结果的质量及稳定性上优于传统的K-Prototypes算法和模糊K-Prototypes算法。本着算法研究不能脱离实际应用的原则,本文将通过引入一个完整的“聚类分析”案例,将本文提出的基于样本的邻域密度和样本间的距离自适应确定初始聚类中心的K-Prototypes算法应用在分析不同学生进行评教问答时的特点(如某些学生习惯总是打高分,某些学生比较苛刻)与学生成绩之间的关系上,表明改进算法的可行性。通过聚类算法,我们可以更清晰的认识到样本间的相似与相异,尽可能不浪费数据告诉我们的任何一点信息,这也是众多数据分析算法研究的重要意义。