互联网时代的数据正在呈指数级的增加，如何在海量数据中找到有价值的信息正是数据挖掘领域的一个日益严峻的问题。聚类算法是数据挖掘中被广泛应用的算法。它能把数据分门别类，然后针对每种类别进行不同的处理。Hadoop提供了一种分布式的编程模式和存储架构，尤其擅长处理大数据的算法。本文正是以Hadoop为工具，对大数据环境下的多维混合型属性的聚类算法做了深入的研究。首先对Hadoop的原理和底层存储平台进行研究。基于Hadoop的自身特点和算法的特性，然后提出了基于Hadoop的数据的预处理软件架构，用于保证算法所用数据的准确性。在此之上提出了基于分布式Map/Reduce编程模型的“PK-prototypes算法”，用以处理大量多维混合型的数据。通过对算法的深入研究分析，研究出了一种针对PK-prototypes算法的改进算法称为“PK-prototypesBAW”算法。并通过对比实验，验证并行算法的有效性。对于算法效率的优化，从算法的不足和Hadoop平台的缺点，在算法的不同的环节给出具体可行的优化方案。其中包括：根据抽样选择算法来确定初始聚类中心文件、对Hadoop不擅长操作的小文件进行处理、在Map阶段整理数据减轻Reduce阶段的压力、采用高效的压缩算法减少数据的传递量以及改进节点之间的传输协议使其更适合于Hadoop分布式的环境下工作。随着电子商务的蓬勃发展，其产生的用户交易数据也是海量级别的。商家可以针对这些数据进行聚类分析，把具有不同购物习惯的顾客进行分类。然后，对每一类的顾客采取不同的推销手段，从而达到利益最大化。因此，“PK-prototypes算法”具有广阔的应用前景。