基于参考点的快速聚类算法是个挺实用的家伙，尤其是大数据的时候，真能省不少事。它的核心就是选一批“参考点”作为聚类的代表，再通过缩放和平移这些点，把数据点给合理地圈起来。和传统的聚类比，它更擅长那种形状比较奇怪、密度不均的场景。你听过CURE这个名字，它就是这类算法里比较经典的代表，用的也是参考点策略，效率还不错。

你要是做数据挖掘的，或者搞图像、文本之类的聚类，挺建议研究下它的思路。像现在有些库，比如 Python 里用 scikit-learn 搭配自定义实现，或者找个 GitHub 项目改改，都比较方便。代码也不复杂，主要就是数据结构得巧，效率自然就上去了。

再说下curd，它算是对 CURE 的一种变形吧，思路类似，但在密度计算那块做了不少优化。要说场景的话，像社交网络、用户分群、遥感图像分类这些都能派上用场。尤其是你数据量大的时候，这种快速聚类的优势就更了。

哦对了，如果你想深入看看，可以参考下这篇 CURE 聚类算法实现 的文章，讲得还蛮细的。

，如果你现在手头有一堆复杂的数据，又不想写一堆规则分类，那基于参考点的聚类真的可以试试。不妨先从实现 CURE 开始，理解了它的逻辑，再动手扩展自己的版本也不迟。