像 Lloyds 这样的算法可以仅使用浮点值内存使用来实现。MacQueens k-means 算法应该只需要内存。$k\cdot(2\cdot d + 1)$$k\cdot(d + 1)$

但是，由于大多数用户都想知道哪个点属于哪个集群，因此您发现的几乎每个实现都将使用内存。$O(n+k\cdot d)$

换句话说，k-means 使用的内存本质上是输出数据大小。

我最近在 scipy.cluster.vq.py 中发现了一个关于 k-means 算法的 scipy 实现的注释

Notes
-----
This could be faster when number of codebooks is small, but it
becomes a real memory hog when codebook is large. It requires
N by M by O storage where N=number of obs, M = number of
features, and O = number of codes.