不要在一维数据上运行聚类（例如 k-means）。

为什么：一维数据可以排序。利用排序的算法比不利用排序的算法效率更高。

看看经典统计

忘记诸如“数据挖掘”和“集群”之类的流行语吧！

对于您的任务，我建议您使用内核密度估计。这是一种从统计学中得到充分证明的技术，而且非常灵活。要对数据进行聚类，请在密度估计中查找最大值和最小值以拆分数据。它速度快，并且比聚类分析具有更强大的理论背景。

何时使用聚类分析

本质上，使用聚类分析，当您的数据如此庞大和复杂时，您无法再使用经典的统计建模。当您有太多变量和太复杂的过程来建模它们时。当密度估计不再起作用时。当您无法再可视化数据时。

即使在二维数据中，也不要进行聚类分析。可视化您的数据，并手动标记您的集群。k-means等方法无论如何都会产生k-cluster结果；即使您的数据集中没有集群！因为他们盲目地优化了一些数学方程，没有进行实际检查。如果您手动对数据进行聚类，您的结果将更有意义。

XMeans算法可用于直接从数据中估计聚类总数，无需人工指导。Weka 包有一个Java 实现。期望最大化算法也可以用于自动估计集群的总数。也有一个 Weka 实现。此外，如果您更喜欢以这种方式而不是在 Java 中进行分析，那么至少有一个单独的贡献者版本（即未经 mathworks.com 批准）用于在 MATLAB 中执行高斯混合模型聚类。

您可以只估计价格的概率密度函数。如果它们是正态分布的混合，希望您会在混合的高斯核中观察到几个峰值。它可以用 Python 轻松实现，我相信也有其他语言的包。

from scipy.stats import kde
import matplotlib.pyplot as plt     
density = kde.gaussian_kde(x) # x: list of price
xgrid = np.linspace(x.min(), x.max(), Num_Price)   
plt.plot(xgrid, density(xgrid))
plt.show()