基于划分的方法是经典聚类方法之一,如何选择恰当的聚类个数和初始类中心是所有划分聚类方法初始化过程中必须面对的问题。尽管针对数值型属性或分类型属性单一数据类型数据的聚类个数和初始类中心的选择算法已经进行了广泛地研究,但在实际应用中,大部分数据是通过数值型属性和分类型属性共同描述的,也称为混合型数据。本文针对混合数据划分式聚类中如何确定聚类个数和选择初始类中心进行了研究,论文的主要工作有:(1)基于权重密度给出了一种混合型数据类与类之间的相异性度量,基于此设计了一个混合型数据的类个数确定算法,并对其时间复杂度进行了分析。通过在UCI真实数据集上进行实验分析,结果表明提出的算法是有效的。(2)基于对象密度和对象之间的距离,对传统最大最小距离算法进行了进一步扩充,提出了一种混合型数据的初始类中心选择算法,并将该方法应用于k-prototypes算法中,实验结果与随机初始化方法相比,提出的方法具有一定的优越性。本文对混合数据划分式聚类方法的初始化方法进行了研究,分别给出了类个数和初始类中心确定方法,为混合数据的聚类工作具有一定的参考价值。