kmedmoids算法相比于kmeans算法的优点

更加稳健：kmedoids算法使用的是样本点本身作为聚类中心，而不是像kmeans算法一样使用聚类中心的均值。因此，当存在离群点或异常值时，kmedoids算法相对于kmeans算法更加稳健。

更适合于非欧几里得空间：kmeans算法基于欧几里得距离度量相似性，当数据集非欧几里得空间时，例如文本、图像等数据，kmedoids算法可以更好地处理。

更加灵活：kmedoids算法可以使用不同的距离度量方式，如曼哈顿距离、余弦相似度等，因此更加灵活。

能够处理缺失值：kmedoids算法可以处理带有缺失值的数据，而kmeans算法需要进行缺失值处理或者删除缺失值较多的样本。

更易于解释：kmedoids算法使用样本点本身作为聚类中心，因此聚类结果更加直观和易于解释。