kmeans的計算公式，其中n表示特徵的數量，uj表示第j個質心；
如果我們希望對特徵進行加權，基本上開源的工具無法實現，不過其實有一個很簡單的方法可以進行設定，我們只需要對重要的特徵進行乘法計算就可以了。
kmeans之前，一般我們是將所有特徵放縮到0～1之間，類別特徵進行onehot或其他編碼方法，這裡面有兩個嚴重的問題：
1 如果我們人為知道哪些特徵對於聚類更重要，根據現有的演算法實現介面無法對特徵進行賦權，麻煩的做法就是手動修改原始碼；
2 共線性會非常嚴重影響聚類的結果，極端的情況，假設我們的特徵有10位，我們對某個特徵A複製100次，則最終的聚類結果基本上是由特徵A這類高度相似甚至完全相同的特徵決定，如果透過降維的方式來消除共線性，解釋性又會非常差。
但是其實根據距離計算公式，我們可以發現對特徵進行放縮就可以，假設我們有一個矩陣：
feature1 feature2
user1 0。5 0。75
user2 0。3 0。74
假設我們希望feature1的權重為1，feature2的權重為2，則進行0～1標準化之後，我們將feature2的值乘根號2就可以了，這樣在進行歐幾里得距離計算的時候，
feature2對應的歐幾里得計算公式（注意sklearn kmeans是直接用平方沒開根號）的計算結果會增大2倍，從而簡單快速的實現權重的賦權。
如果類別特徵進行embedding之後比如embedding為256維，則我們對embedding的結果進行0～1標準化之後，每個embedding維度都乘以 根號1/256，從而將這個類別全部的距離計算貢獻規約為1，避免embedding size太大使得kmeans的聚類結果非常依賴於embedding這個本質上是單一類別維度的特徵。
