简单对比一下这两者的区别。两者的主要区别主要在质心的选择中，k-means是样本点均值，k-medoids则是从样本点中选取。

首先给出两者的算法实现步骤：

K-means

1. 随机选取K个质心的值
2. 计算各个点到质心的距离
3. 将点的类划分为离他最近的质心，形成K个cluster
4. 根据分类好的cluster，在每个cluster内重新计算质心(平均每个点的值)
5. 重复迭代2-4步直到满足迭代次数或误差小于指定的值

K-medoids

1. 随机选取K个质心的值 （质心必须是某些样本点的值，而不是任意值）
2. 计算各个点到质心的距离
3. 将点的类划分为离他最近的质心，形成K个cluster
4. 根据分类好的cluster，在每个cluster内重新计算质心：
   4.1 计算cluster内所有样本点到其中一个样本点的曼哈顿距离和(绝对误差)
   4.2 选出使cluster绝对误差最小的样本点作为质心
5. 重复迭代2-4步直到满足迭代次数或误差小于指定的值

以上就可以看出两者之间的区别：

k-means的质心是各个样本点的平均，可能是样本点中不存在的点。
k-medoids的质心一定是某个样本点的值。

这个不同使他们具有不同的优缺点

1. k-medoids的运行速度较慢，计算质心的步骤时间复杂度是O(n^2)，因为他必须计算任意两点之间的距离。而k-means只需平均即可。
   2、k-medoids对噪声鲁棒性比较好。例：当一个cluster样本点只有少数几个，如（1,1）（1,2）（2,1）（100,100）。其中（100,100）是噪声。如果按照k-means质心大致会处在（1,1）（100,100）中间，这显然不是我们想要的。这时k-medoids就可以避免这种情况，他会在（1,1）（1,2）（2,1）（100,100）中选出一个样本点使cluster的绝对误差最小，计算可知一定会在前三个点中选取。

参考

https://blog.csdn.net/databatman/article/details/50445561