常用聚类方法一般有以下几种：
基于距离的聚类算法：
1、KMEANS
流程：
1）确定要聚类的数量K，并随机初始化中心点；
2）通过计算当前点与每个组中心之间的距离，对每个数据点进行分类，然后归到与距离最近的中心组中；
3）基于迭代后的结果，计算每一类内所有点的平均值；
4）迭代这些步骤，或直到组中心在迭代之间变化不大；
优点：
速度快，计算量少，线性复杂性为o（n）
缺点：
须事先确定聚类的簇数量
结论：
当数据集中的聚类结果是非球状结构时，该聚类算法的聚类效果不理想。
基于密度的空间聚类算法:
2、MeanShift
详细内容参考该链接：聚类算法之MeanShift
3、DBSCAN（Density-based Spatial Clustering of Applications with Noise）
将具有足够密度的区域划分为簇，并在具有噪声的空间数据库中发现任意形状的簇，将簇定义为密度相连的点的最大集合。
将数据点分为三类：
1）核心点：样本xi的邻域内至少包含Minpts个样本，则称样本点为核心点
2）边界点：样本xi的邻域内包含的样本数目小于MinPts，但是它在其他核心点的邻域内，则称样本点xi为边界点。
3）噪音点：即不是核心点也不是边界点的点。
有两个超变量：一个半径EPS，另一个是指定的数目MinPts。
三个基本概念：
密度直达（如果满足样本点p《NEPS（q）且NEPS（q）》=MinPts）
密度可达（如果存在一系列样本点p1，...,pn(p1=q,pn=p),使得对于i=1，...，n-1,样本点pi+1可由样本点pi密度可达
密度相连（如果存在一个样本点o，使得p与q均由样本点o密度可达）
算法流程：
1）根据给定的邻域参数EPS和minPts确定所有的核心对象
2）对每一个核心对象，选择一个未处理过的核心对象，找到由其密度可达的样本生成聚类‘簇'
3）重复以上过程