Sklearn Kmeans使用欧几里得距离。它没有度量参数。也就是说，如果你在聚类时间序列，你可以使用tslearn python包，当你可以指定一个度量(dtw, softdtw，欧几里得)。

def distance_metrics(dist_metrics):
    kmeans_instance = kmeans(trs_data, initial_centers, metric=dist_metrics)

    label = np.zeros(210, dtype=int)
    for i in range(0, len(clusters)):
        for index, j in enumerate(clusters[i]):
            label[j] = i

是的，你可以使用差分度量函数;然而，根据定义，k-means聚类算法依赖于每个聚类均值的欧几里得距离。

你可以使用不同的度量，所以即使你仍然在计算平均值你也可以使用像mahalnobis距离这样的东西。

python/ c++中有pyclustering(所以它很快!)，可以让你指定一个自定义度量函数

from pyclustering.cluster.kmeans import kmeans
from pyclustering.utils.metric import type_metric, distance_metric

user_function = lambda point1, point2: point1[0] + point2[0] + 2
metric = distance_metric(type_metric.USER_DEFINED, func=user_function)

# create K-Means algorithm with specific distance metric
start_centers = [[4.7, 5.9], [5.7, 6.5]];
kmeans_instance = kmeans(sample, start_centers, metric=metric)

# run cluster analysis and obtain results
kmeans_instance.process()
clusters = kmeans_instance.get_clusters()

实际上，我还没有测试这段代码，但它拼凑在一起从一个票和示例代码。

Sklearn Kmeans使用欧几里得距离。它没有度量参数。也就是说，如果你在聚类时间序列，你可以使用tslearn python包，当你可以指定一个度量(dtw, softdtw，欧几里得)。

Spectral Python的k-means允许使用L1 (Manhattan)距离。