Se ha desarrollado un algoritmo k-medoids simple y rápido que actualiza los medoids minimizando la distancia total dentro de los clústeres. Aunque es simple y rápido, como su nombre sugiere, no obstante ha descuidado los óptimos locales y los clústeres vacíos que pueden surgir. Con la distancia como entrada al algoritmo, se desarrolla una función de distancia generalizada para aumentar la variación de las distancias, especialmente para un conjunto de datos de variables mixtas. La variación de las distancias es una parte crucial de un algoritmo de particionamiento debido a que diferentes distancias producen resultados distintos. Los resultados experimentales del simple algoritmo k-medoids producen consistentemente buenos rendimientos en varios ajustes de datos de variables mixtas. También tiene una alta precisión de clúster en comparación con otros algoritmos de particionamiento basados en distancias para datos de variables mixtas.