由于传统 K-Means 聚类算法对初始质心的赋值具有随机性，使得模拟结果有着极大的波动。针对这一问题，文章采用均分法，首先将样本数据清洗，将偏差值较大的数据筛除，然后把处理后的样本数据在二维平面内均匀划分成若干等分，进行排序归纳计算出最佳初始质心用于聚类算法的初次迭代，并调用 SSE 等度量指标对迭代的质心进行更新，最后将样本数据划分成有意义的簇。实验结果表明，文章针对 K-Means 算法的优化在一定程度上减少了质心的迭代次数，节省了时间同时提高了准确率，对初始质心赋值优化具有有效性和实用性的特点。