El objetivo del análisis de agrupamiento por partición es dividir un conjunto de datos en un número predeterminado de clústeres homogéneos. La calidad de los clústeres finales de un algoritmo de partición basado en prototipos se ve altamente afectada por los centroides elegidos inicialmente. En este artículo, proponemos el InoFrep, un novedoso algoritmo de inicialización dependiente de los datos para mejorar la eficiencia computacional y la robustez en el agrupamiento duro y difuso basado en prototipos. El InoFrep es un algoritmo de paso único que utiliza los datos del polígono de frecuencia de la característica con el mayor número de picos en un conjunto de datos. Al utilizar el algoritmo de agrupamiento Fuzzy C-means (FCM), comparamos empíricamente el rendimiento del InoFrep en un conjunto de datos sintético y seis conjuntos de datos reales con el de dos métodos de inicialización comunes: muestreo aleatorio de puntos de datos y K-means++. Nuestros resultados muestran que el algoritmo InoFrep reduce significativamente el número de iteraciones y el tiempo de computación requerido por el algoritmo FCM. Además, puede aplicarse a conjuntos de datos grandes multidimensionales debido a su menor tiempo de inicialización e independencia de la dimensionalidad al trabajar solo con una característica con el mayor número de picos.