function [labels, centers] = isodada(data, k)% data: n x m 的数据矩阵，n 表示数据个数，m 表示特征个数% k: 聚类个数% labels: n x 1 的向量，表示每个数据所属的聚类标签% centers: k x m 的矩阵，表示每个聚类的中心 % 初始化聚类中心 centers = datasample(data, k, 'Replace', false); % 初始化聚类标签 labels = ceil(k*rand(size(data, 1), 1)); % 迭代次数 maxIter = 100; % 迭代过程中记录的聚类中心变化 centerHistory = zeros(k, size(data, 2), maxIter); centerHistory(:, :, 1) = centers; for iter = 2:maxIter % 计算每个数据点到聚类中心的距离 dists = pdist2(data, centers); % 找到每个数据点距离最近的聚类中心 [~, labels] = min(dists, [], 2); % 更新聚类中心 for i = 1:k centers(i, :) = mean(data(labels == i, :), 1); end % 记录聚类中心变化 centerHistory(:, :, iter) = centers; % 如果聚类中心不再改变，退出迭代 if isequal(centerHistory(:, :, iter), centerHistory(:, :, iter-1)) break; end endend

这段代码已经非常简单和直观，但如果需要优化，可以考虑以下几个方面的改进：

1. 使用更快的距离计算方法

`pdist2` 函数虽然方便易用，但不是最快的距离计算方法。如果数据量很大，可以考虑使用基于矩阵操作的距离计算方法，如欧式距离公式：

dists = sqrt(sum((data - centers(labels, :)).^2, 2));

这种方法可以通过矩阵运算实现，速度更快。

2. 并行化迭代过程

如果计算机有多个 CPU 核心可以使用，并行化迭代过程可以加快聚类速度。可以使用 `parfor` 循环代替普通的 `for` 循环，将迭代过程分配到多个 CPU 核心上执行。

3. 使用更快的聚类中心初始化方法

在数据量很大时，`datasample` 函数可能会比较慢。可以考虑使用其他更快的聚类中心初始化方法，如 k-means++ 算法。

4. 调整聚类迭代次数

聚类迭代次数越多，聚类效果越好，但也会降低聚类速度。可以根据数据量和聚类个数等因素来调整聚类迭代次数，以达到较好的聚类效果和速度。

综上所述，以上是一些常见的代码优化方案，具体可以根据实际情况进行选择和调整。