Este documento propone dos algoritmos para la agrupación de datos, que son conjuntos de tamaño variable de elementos elementales. Un ejemplo de tales datos ocurre en el análisis de un diagnóstico médico, donde el objetivo es detectar sujetos humanos que comparten enfermedades comunes para posiblemente predecir futuras enfermedades a partir del historial médico previo. El primer algoritmo propuesto se basa en K-medoids y el segundo algoritmo extiende el algoritmo de intercambio aleatorio, que ha demostrado ser capaz de una agrupación eficiente y cuidadosa; ambos algoritmos dependen de una función de distancia entre objetos de datos (conjuntos), que pueden utilizar pesos o prioridades sensibles a la aplicación. La función de distancia propuesta permite explotar varios métodos de siembra que pueden mejorar la precisión de la agrupación. Un factor clave en los dos algoritmos es su implementación paralela en Java, basada en programación funcional utilizando flujos y expresiones lambda. El uso del paralelismo suaviza el costo computacional detrás de K-medoids e índices de agrupación como el índice de Silueta y permite el manejo de conjuntos de datos no triviales. Este documento aplica los algoritmos a varios estudios de casos de referencia de conjuntos y demuestra cómo se pueden lograr soluciones de agrupación precisas y eficientes en tiempo.