昨天我們只有把結果分出來，今天我們就來比較這樣的方法有哪些差異吧。

首先是多次k-means 的結果如下：

可以看到分成了24組，為了對照方便，單一次k-means 我們就直接指定24個分類，其結果如下。

比較兩者，後者的分析中我們看到最後只剩下四個地址沒有分類，這四個地址就是位於左上方新北市三重區的四個地址，很有可能在某次k-means分類後因與中心距離過遠，所以無法被分成一類，另外，我們也發現了多次k-means的結果在大同區變得比較緊密，但仍有些地方和單次k-means的結果一樣分布不均。

接下來我們逐步來觀察，多次k-means 中，分類是如何逐一形成的。

iter-1 complete! remain:55 addresses

第一次的範圍是鎖定在300公尺，有15個地址被分成了7類，但是不辛地有些分類只有一個地址...

iter-2 complete! remain:39 addresses

第二次範圍是400公尺，在信義區一代的一些地點被分群。

iter-3 complete! remain:24 addresses

第三次範圍500公尺，主要的分類集中在西門。

iter-4 complete! remain:10 addresses

第四次600公尺，發生在西門和永和地區。

iter-5 complete! remain:6 addresses

第五次700公尺，右上方有四個內湖區的地址被分類。

iter-6 complete! remain:4 addresses

第六次800公尺，三重地區有兩個地址被分出來。

以上是我自己改用多次k-means分析的嘗試，繼續延伸還可以多跑幾個種子碼，再從裡面挑出最理想的結果，資料分析很難有最佳解，只能每次嘗試不同的方法，從一些結果中洞察微妙的變化啊！

ref:
day19程式碼