应手写平方差累加并用 double 中间计算：先累加各维度差值的平方和得到 dist_sq，再用 std::sqrt(dist_sq) 得欧氏距离，避免 std::pow 引入的类型转换、开销及大数溢出风险。
欧几里得距离怎么算才不踩浮点精度坑
直接用 std::sqrt 套 std::pow(x - y, 2) 看似简洁，但 std::pow 对整数或 float 做二次方可能引入隐式类型转换和额外开销；更危险的是，当坐标值较大时，x - y 的差值平方容易溢出 float 范围。实际中建议手写平方差累加，全程用 double 中间计算：
double dist_sq = 0.0;
for (size_t i = 0; i < point1.size(); ++i) {
double diff = point1[i] - point2[i];
dist_sq += diff * diff; // 避免 pow，避免 sqrt（后续可省）
}注意：K-Means 中比较距离只需求大小关系，绝大多数时候用 dist_sq（平方距离）就够了——跳过 std::sqrt 能提速 15%~20%，且完全规避了 sqrt 的精度抖动和负零问题。
如何初始化质心才不容易陷入局部最优
随机选原始数据点（Forgy 方法）简单但不稳定；全随机生成在特征范围外的点又容易导致某簇长期无分配。工业级实现推荐 k-means++ 初始化，核心是按距离概率加权采样：
- 随机选一个点作为首个质心
- 对每个未选点，计算它到**当前所有已选质心的最小平方距离**
min_dist_sq[i] - 按
min_dist_sq[i]归一化为概率分布，用std::discrete_distribution抽样下一个质心
这能显著提升收敛速度和聚类质量。别用 rand() % n 这种低熵方式——C++11 后必须用 std::mt19937 配合 std::uniform_real_distribution 或 std::discrete_distribution。
立即学习“C++免费学习笔记（深入）”；
组合式C++代码评审方案，融合静态分析、AI推理、多轮迭代评审和C++专项检查，适用于PR审查、增量代码审查、全项目评审和代码质量评分，触发词包括review cpp、cpp代码评审、C++review、代码审查。
迭代过程中怎么判断“已经收敛”
不能只看质心坐标变化是否小于某个固定阈值（比如 1e-4），因为不同量纲特征会让这个阈值失效。更鲁棒的做法是监控「分配变化率」：
- 每次迭代记录每个点所属簇 ID
- 统计本次与上次分配结果不同的点数量
- 当该数量占总样本比例
（或绝对值
如果坚持用质心位移，务必对每维做归一化处理：先用训练集算出各维度标准差 std_dev[i]，再用 abs(new_centroid[i] - old_centroid[i]) / (std_dev[i] + 1e-8) 做相对变化判断。否则温度值（℃）和经纬度（°）混在一起，位移阈值根本没法设。
为什么 vector> 不适合存高维数据
内存不连续，cache miss 高；每行 new 单独分配，小对象碎片多；拷贝开销大。实测 10 万 × 100 维数据下，比一维 std::vector<double></double> 慢 2.3 倍。正确做法：
struct Dataset {
std::vector<double> data; // row-major: [x0,y0,z0,..., x1,y1,z1,...]
size_t rows, cols;
double& at(size_t r, size_t c) { return data[r * cols + c]; }
};这样不仅提升访存局部性，还能直接用 SIMD 指令加速距离计算（如用 std::valarray 或手写 AVX 循环）。若用 Eigen，就直接上 Eigen::MatrixXd——它底层就是连续内存，且自带列主序优化。
真正难的不是公式实现，而是把距离计算、质心更新、收敛判定这三步全部放在 cache 友好的内存布局里跑；一旦数据搬移成本压不下来，再多迭代也白搭。
