这主要是一个非常糟糕的初始化问题（随机向量生成和随机标记是愚蠢的，不要使用它 - 使用采样选择 k 点或 k-means++）以及 k-means 无法正常工作的数据一点也不。所以如果发生这种情况，你知道结果不会好！

无论哪种方式，标准且直接的解决方案都很简单：如果集群为空，则使用先前的平均值。以后可以再次分配积分。如果没有，那么集群是空的。这里没有惊喜，没有无限循环，收敛问题等。

如果你得到一个空簇，它就没有质心。您可以简单地忽略此集群（k=k-1为下一次迭代设置），或从新的初始化重复运行 k-means。如果您必须拥有特定数量的 K 个集群，您还可以选择将随机数据点放入该集群并继续算法。

如果它继续发生，则很有可能您的 K 参数太高。您应该遍历 k 的几个不同值并选择最佳值。

以下是空集群可能发生的情况：

1. 考虑以下具有 7 个数据点的示例。点的不同形状只是为了表明实际上有 2 个自然簇（但在运行算法之前我们不知道）。在这种情况下，我们选择k = 3.

2. 三个随机聚类中心被初始化。在第一次迭代结束时，点 3、1、2 和 7 将位于一个集群中。4 和 5 将在另一个集群中。6 个将在最后一个集群中。注意这里 3 和 4 之间的距离大于 4 和 5 之间的距离，因此将 4 分配给由 5 表示的集群。在我们开始第二次迭代之前，我们更新集群中心，下图显示了中心和第一步结束时的集群。

3. 现在，红色簇的簇中心由于 1、2 和 7 移近了点 4。而蓝色簇的簇中心由于点 4 而远离了 5。在下一次迭代中，点 4 将决定它更接近红色集群，点 5 将决定它更接近绿色集群。这将导致蓝色集群为空，如下所示。

图片取自以下链接：K-Means Empty Cluster Example