K-均值聚类中，其聚类中心是如何变化的?说明其优势及局限性。

K-均值聚类中，聚类中心是根据各个数据点与聚类中心之间的距离来计算的。具体来说，聚类中心是通过计算每个簇内所有数据点的平均值来得到的。在每次迭代中，聚类中心会不断更新，直到达到一定的收敛条件，例如簇内的方差不再变化。

K-均值聚类的优势是简单易懂、易于实现，而且对于大规模数据集也有较好的效果。此外，K-均值聚类算法的计算效率高，处理大规模数据集时，速度较快。

然而，K-均值聚类也有其局限性。首先，它对于簇的形状和大小有一定的限制，很难处理非凸形状的簇或者大小不相等的簇。其次，K-均值聚类对于数据噪声或者异常值比较敏感，容易受到这些数据的影响。最后，K-均值聚类需要设定聚类的数量K，而且对于不同的K，得到的聚类结果也会有所不同。因此，如何选择合适的K值是一个比较重要的问题。