diff --git a/docs/10.k-means聚类.md b/docs/10.k-means聚类.md
index 100b2fa6..3a94b324 100644
--- a/docs/10.k-means聚类.md
+++ b/docs/10.k-means聚类.md
@@ -131,8 +131,11 @@ def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):
 > 在 kMeans 的函数测试中，可能偶尔会陷入局部最小值（局部最优的结果，但不是全局最优的结果）.
 
 ### K-Means 聚类算法的缺陷
-在 kMeans 的函数测试中，可能偶尔会陷入局部最小值（局部最优的结果，但不是全局最优的结果）.  
-所以为了克服 KMeans 算法收敛于局部最小值的问题，有更厉害的大佬提出了另一个称为二分K-均值（bisecting K-Means）的算法.
+在 kMeans 的函数测试中，可能偶尔会陷入局部最小值（局部最优的结果，但不是全局最优的结果）.   
+局部最小值的的情况如下:  
+![K-Means 局部最小值1](../images/10.KMeans/apachecn-kmeans-partial-best-result-1.jpg)
+
+所以为了克服 KMeans 算法收敛于局部最小值的问题，有更厉害的大佬提出了另一个称之为二分K-均值（bisecting K-Means）的算法.   
 
 ### 二分 K-Means 聚类算法
 该算法首先将所有点作为一个簇，然后将该簇一分为二。  
diff --git a/images/10.KMeans/apachecn-kmeans-partial-best-result-1.jpg b/images/10.KMeans/apachecn-kmeans-partial-best-result-1.jpg
new file mode 100644
index 00000000..416b2248
Binary files /dev/null and b/images/10.KMeans/apachecn-kmeans-partial-best-result-1.jpg differ
diff --git a/src/python/10.kmeans/kMeans.py b/src/python/10.kmeans/kMeans.py
index f40dcdc9..acaa79c6 100644
--- a/src/python/10.kmeans/kMeans.py
+++ b/src/python/10.kmeans/kMeans.py
@@ -129,6 +129,8 @@ def testBiKMeans():
 
     centList, myNewAssments = biKMeans(datMat, 3)
 
+    print 'centList=', centList
+
 if __name__ == "__main__":
 
     # 测试基础的函数