國內部落格，上介紹實現的K-medodis方法為：

與K-means演算法類似。只是距離選擇與聚類中心選擇不同。

距離為曼哈頓距離

聚類中心選擇為：依次把一個聚類中的每一個點當作當前類的聚類中心，求出代價值最小的點當作當前聚類中心。

維基百科上，實現的方法為PAM演算法。

分成K類，把每個點都嘗試當作聚類中心，並求出當前組合聚類中心點組合的代價值。找到總最小代價值的中心點。

國內實現：

kMedoids.m程式碼：

function [cx,cost] = kMedoids(K,data,num)
%   生成將data聚成K類的最佳聚類
%   K為聚類數目，data為資料集,num為隨機初始化次數
    [cx,cost] 
 
= kMedoids1(K,data);
    for i = 2:num
        [cx1,min] = kMedoids1(K,data);
        if min<cost
            cost = min;
            cx = cx1;
        end
    end
end

function [cx,cost] = kMedoids1(K,data)
%   把分類資料集data聚成K類
%   [cx,cost] = kmeans(K,data)
%   K為聚類數目，data為資料集
%   cx為樣本所屬聚類，cost為此聚類的代價值
 
% 選擇需要聚類的數目

% 隨機選擇聚類中心
    centroids = data(randperm(size(data,1),K),:);
% 迭代聚類 
    centroids_temp = zeros(size(centroids));
    num = 0;
    while (~isequal(centroids_temp,centroids)&&num<20) 
        centroids_temp = centroids;
        [cx,cost] = findClosest(data,centroids,K);
        centroids 
 
= compueCentroids(data,cx,K);
        num = num+1;
    end
%     cost = cost/size(data,1);

end


function [cx,cost] = findClosest(data,centroids,K)
% 將樣本劃分到最近的聚類中心
    cost = 0;
    n = size(data,1);
    cx = zeros(n,1);
    for i = 1:n
%       曼哈頓距離
        [M,I] = min(sum(abs((data(i,:)-centroids))'));
        cx(i) = I;
        cost = cost+M;
    end
end


function centroids = compueCentroids(data,cx,K)
% 計算新的聚類中心
    centroids = zeros(K,size(data,2));
    for i = 1:K
%       尋找代價值最小的當前聚類中心
        temp = data((cx==i),:);
        [~,I] = min(sum(squareform(pdist(temp))));
        centroids(i,:) = temp(I,:);
    end
end

Main.m

% 主函式

% 生成符合高斯分佈的資料
mu = [5,5];
sigma = [16,0;0,16];
sigma1 = [0.5,0;0,0.5];
data =  gaussianSample(8,50,mu,sigma,sigma1);

% 聚類
K = 6;
[cx,cost] = kMedoids(K,data,10);
plotMedoids(data,cx,K);

執行Main.m結果為：