diff --git a/input/10.KMeans/testSet.xtx b/input/10.KMeans/testSet.txt
similarity index 100%
rename from input/10.KMeans/testSet.xtx
rename to input/10.KMeans/testSet.txt
diff --git a/src/python/10.kmeans/kMeans.py b/src/python/10.kmeans/kMeans.py
index c65561a6..af2eed9b 100644
--- a/src/python/10.kmeans/kMeans.py
+++ b/src/python/10.kmeans/kMeans.py
@@ -3,6 +3,7 @@
 
 from numpy import *
 
+
 # 从文本中构建矩阵，加载文本文件，然后处理
 def loadDataSet(fileName):    # 通用函数，用来解析以 tab 键分隔的 floats（浮点数）
     dataMat = []              # 假设最后一列是目标变量
@@ -13,10 +14,12 @@ def loadDataSet(fileName):    # 通用函数，用来解析以 tab 键分隔的
         dataMat.append(fltLine)
     return dataMat
 
+
 # 计算两个向量的欧式距离（可根据场景选择）
 def distEclud(vecA, vecB):
     return sqrt(sum(power(vecA - vecB, 2))) # la.norm(vecA-vecB)
 
+
 # 为给定数据集构建一个包含 k 个随机质心的集合。随机质心必须要在整个数据集的边界之内，这可以通过找到数据集每一维的最小和最大值来完成。然后生成 0~1.0 之间的随机数并通过取值范围和最小值，以便确保随机点在数据的边界之内。
 def randCent(dataSet, k):
     n = shape(dataSet)[1] # 列的数俩
@@ -27,13 +30,14 @@ def randCent(dataSet, k):
         centroids[:,j] = mat(minJ + rangeJ * random.rand(k,1))    # 随机生成
     return centroids
 
+
 # k-means 聚类算法
 # 该算法会创建k个质心，然后将每个点分配到最近的质心，再重新计算质心。
 # 这个过程重复数次，知道数据点的簇分配结果不再改变位置。
 # 运行结果（多次运行结果可能会不一样，可以试试，原因为随机质心的影响，但总的结果是对的， 因为数据足够相似，也可能会陷入局部最小值）
 def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):
     m = shape(dataSet)[0]    # 行数
-    clusterAssment = mat(zeros((m,2)))    # 创建一个与 dataSet 行数一样，但是有两列的矩阵，用来保存簇分配结果。
+    clusterAssment = mat(zeros((m, 2)))    # 创建一个与 dataSet 行数一样，但是有两列的矩阵，用来保存簇分配结果
     centroids = createCent(dataSet, k)    # 创建质心，随机k个质心
     clusterChanged = True
     while clusterChanged:
@@ -44,10 +48,36 @@ def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):
                 distJI = distMeas(centroids[j,:],dataSet[i,:])    # 计算距离
                 if distJI < minDist:    # 如果距离比 minDist（最小距离）还小，更新 minDist（最小距离）和最小质心的 index（索引）
                     minDist = distJI; minIndex = j
-            if clusterAssment[i,0] != minIndex: clusterChanged = True
-                clusterAssment[i,:] = minIndex,minDist**2    # 更新簇分配结果为最小质心的 index（索引），minDist（最小距离）的平方
+            if clusterAssment[i, 0] != minIndex:
+                clusterChanged = True
+                clusterAssment[i, :] = minIndex,minDist**2    # 更新簇分配结果为最小质心的 index（索引），minDist（最小距离）的平方
         print centroids
         for cent in range(k): # 更新质心
-            ptsInClust = dataSet[nonzero(clusterAssment[:,0].A==cent)[0]] # 获取该簇中的所有点
+            ptsInClust = dataSet[nonzero(clusterAssment[:, 0].A==cent)[0]] # 获取该簇中的所有点
             centroids[cent,:] = mean(ptsInClust, axis=0) # 将质心修改为簇中所有点的平均值，mean 就是求平均值的
     return centroids, clusterAssment
+
+
+if __name__ == "__main__":
+
+    datMat = mat(loadDataSet('input/10.KMeans/testSet.txt'))
+
+    # 测试 randCent() 函数是否正常运行。
+    # 首先，先看一下矩阵中的最大值与最小值
+    print 'min(datMat[:, 0])=', min(datMat[:, 0])
+    print 'min(datMat[:, 1])=', min(datMat[:, 1])
+    print 'max(datMat[:, 1])=', max(datMat[:, 1])
+    print 'max(datMat[:, 0])=', max(datMat[:, 0])
+
+    # 然后看看 randCent() 函数能否生成 min 到 max 之间的值
+    # print 'randCent(datMat, 2)=', randCent(datMat, 2)
+
+    # 最后测试一下距离计算方法
+    # print ' distEclud(datMat[0], datMat[1])=', distEclud(datMat[0], datMat[1])
+
+    # 该算法会创建k个质心，然后将每个点分配到最近的质心，再重新计算质心。
+    # 这个过程重复数次，知道数据点的簇分配结果不再改变位置。
+    # 运行结果（多次运行结果可能会不一样，可以试试，原因为随机质心的影响，但总的结果是对的， 因为数据足够相似）
+    myCentroids, clustAssing = kMeans(datMat, 4)
+
+    # print 'centroids=', myCentroids
diff --git a/src/python/10.kmeans/test.xtx b/src/python/10.kmeans/test.txt
similarity index 100%
rename from src/python/10.kmeans/test.xtx
rename to src/python/10.kmeans/test.txt