kmeans聚類的核心步驟包括數(shù)據(jù)預處理、模型訓練與結(jié)果評估。1. 數(shù)據(jù)預處理：使用standardscaler對數(shù)據(jù)進行標準化，消除不同特征量綱的影響；2. 模型訓練：通過kmeans類設置n_clusters參數(shù)指定簇數(shù)，調(diào)用fit方法訓練模型；3. 獲取結(jié)果：使用labels_屬性獲取每個數(shù)據(jù)點所屬簇，cluster_centers_獲取簇中心坐標；4. 可視化：繪制散點圖展示聚類效果及簇中心；5. k值選擇：結(jié)合手肘法（inertia）和輪廓系數(shù)（silhouette score）確定最佳簇數(shù)，提升聚類質(zhì)量；6. 優(yōu)化策略：加強數(shù)據(jù)預處理、增加n_init運行次數(shù)、處理異常值、結(jié)合業(yè)務背景綜合評估結(jié)果或選用其他算法彌補局限性。
使用python實現(xiàn)數(shù)據(jù)聚類，KMeans是一個非常常用且直觀的算法。它通過迭代尋找數(shù)據(jù)點到聚類中心的最小距離來劃分簇，Scikit-learn庫提供了非常便捷的實現(xiàn)方式，讓這個過程變得相當高效。
在我看來，要用Python實現(xiàn)KMeans聚類，核心步驟其實并不復雜，但有些細節(jié)處理得好不好，直接關系到最終聚類效果的質(zhì)量。
首先，你得準備好數(shù)據(jù)。通常，我們會用numpy或者pandas來處理數(shù)據(jù)。KMeans對數(shù)據(jù)尺度比較敏感，所以數(shù)據(jù)標準化（或者歸一化）幾乎是必不可少的一步。我個人習慣用StandardScaler，它能把數(shù)據(jù)轉(zhuǎn)換成均值為0、方差為1的分布，這樣不同特征之間的量綱差異就不會干擾到距離計算了。
立即學習“Python免費學習筆記（深入）”；
接著，就是調(diào)用sklearn.cluster里的KMeans。實例化這個類的時候，最關鍵的參數(shù)就是n_clusters，也就是你希望把數(shù)據(jù)分成多少個簇。說實話，這個K值的選擇，有時候真有點像門藝術，需要結(jié)合業(yè)務理解和一些經(jīng)驗方法。
然后，用fit方法把模型訓練起來，它會自動找到最佳的聚類中心。訓練完之后，你可以通過labels_屬性獲取每個數(shù)據(jù)點所屬的簇，cluster_centers_則會給出每個簇的中心點坐標。
import numpy as np import matplotlib.pyplot as plt from sklearn.cluster import KMeans from sklearn.preprocessing import StandardScaler from sklearn.datasets import make_blobs # 用于生成示例數(shù)據(jù) # 1. 生成一些示例數(shù)據(jù) # 假設我們有3個自然的簇 X, y = make_blobs(n_samples=300, centers=4, cluster_std=0.60, random_state=0) # 2. 數(shù)據(jù)預處理：標準化 # 這一步非常關鍵，特別是當你的特征有不同量綱時 scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # 3. 初始化并訓練KMeans模型 # 這里我們假設知道有4個簇，實際應用中K的確定是難點 # n_init='auto' 是Scikit-learn 1.2+ 的推薦設置，它會運行多次并選擇最佳結(jié)果 kmeans = KMeans(n_clusters=4, random_state=0, n_init='auto') kmeans.fit(X_scaled) # 4. 獲取聚類結(jié)果 labels = kmeans.labels_ centers = kmeans.cluster_centers_ # 5. 可視化結(jié)果（可選，但強烈推薦） plt.figure(figsize=(8, 6)) # 繪制原始數(shù)據(jù)點，并根據(jù)聚類結(jié)果上色 plt.scatter(X_scaled[:, 0], X_scaled[:, 1], c=labels, s=50, cmap='viridis', alpha=0.7) # 繪制聚類中心 plt.scatter(centers[:, 0], centers[:, 1], c='red', s=200, marker='X', label='Cluster Centers') plt.title('KMeans Clustering Results (Scaled Data)') plt.xlabel('Feature 1 (Scaled)') plt.ylabel('Feature 2 (Scaled)') plt.legend() plt.grid(True) plt.show() print("聚類標簽前5個樣本:", labels[:5]) print("聚類中心:n", scaler.inverse_transform(centers)) # 將中心點逆轉(zhuǎn)換為原始尺度以便理解
這段代碼跑下來，你就能看到數(shù)據(jù)點被分成了幾個不同的顏色區(qū)域，每個區(qū)域都有一個紅色的’X’標記著它的中心。這感覺還是挺直觀的。
如何選擇KMeans算法中的最佳聚類數(shù)量K？
說實話，KMeans最大的一個痛點，就是你得提前告訴它要分多少個簇（K值）。這不像有些算法，能自己發(fā)現(xiàn)簇的數(shù)量。所以，確定這個K值，往往是聚類任務里最讓人頭疼，也最能體現(xiàn)數(shù)據(jù)分析師功力的地方。
最常用的方法之一是手肘法（Elbow Method）。它的核心思想是，隨著K值的增加，每個數(shù)據(jù)點到其對應簇中心的距離之和（也叫作簇內(nèi)平方和，Inertia）會不斷減小。但這個減小的速度，在達到一個“最佳”K值后會顯著放緩，圖形上看起來就像一個手肘。你需要在圖上找到那個“拐點”。這個方法雖然直觀，但有時候“手肘”并不那么明顯，需要一點主觀判斷。
另一個我個人覺得更靠譜，或者說更量化的方法是輪廓系數(shù)（Silhouette Score）。輪廓系數(shù)衡量的是一個數(shù)據(jù)點與其所在簇的凝合度（ cohesion）和與其他簇的分離度（separation）。它的值介于-1到1之間：
- 接近1表示該點與自身簇內(nèi)點很近，與相鄰簇點很遠，聚類效果很好。
- 接近0表示該點在兩個簇的邊界上。
- 接近-1表示該點可能被分到了錯誤的簇。 我們通常會計算不同K值下的平均輪廓系數(shù)，然后選擇那個平均輪廓系數(shù)最高的K值。這比手肘法看起來更“客觀”一些，但也不是萬能的。
from sklearn.metrics import silhouette_score # 嘗試不同K值 inertias = [] silhouette_scores = [] k_range = range(2, 11) # 通常K從2開始，因為K=1沒有聚類意義 for k in k_range: kmeans = KMeans(n_clusters=k, random_state=0, n_init='auto') kmeans.fit(X_scaled) inertias.append(kmeans.inertia_) # 計算輪廓系數(shù)，需要至少2個簇 if k > 1: score = silhouette_score(X_scaled, kmeans.labels_) silhouette_scores.append(score) else: silhouette_scores.append(0) # K=1時輪廓系數(shù)無意義 # 繪制手肘圖 plt.figure(figsize=(12, 5)) plt.subplot(1, 2, 1) plt.plot(k_range, inertias, marker='o') plt.title('Elbow Method (Inertia vs. K)') plt.xlabel('Number of Clusters (K)') plt.ylabel('Inertia') plt.grid(True) # 繪制輪廓系數(shù)圖 plt.subplot(1, 2, 2) # 注意：silhouette_scores 列表長度會比 k_range 少1，因為K=1時沒有輪廓系數(shù) plt.plot(k_range, silhouette_scores, marker='o', color='red') plt.title('Silhouette Score vs. K') plt.xlabel('Number of Clusters (K)') plt.ylabel('Silhouette Score') plt.grid(True) plt.tight_layout() plt.show() # 找到輪廓系數(shù)最高的K值 # 注意索引對應關系，因為silhouette_scores是從k=2開始的 best_k_silhouette = k_range[np.argmax(silhouette_scores)] print(f"根據(jù)輪廓系數(shù)，最佳K值可能為: {best_k_silhouette}")
在我看來，這兩種方法結(jié)合起來看，會讓你對K的選擇更有信心。但最終，還是得回歸到你對數(shù)據(jù)的理解，以及聚類結(jié)果是否符合你的業(yè)務預期。
KMeans算法的局限性與常見挑戰(zhàn)有哪些？
盡管KMeans非常流行且易于實現(xiàn)，但它并不是萬能的，在實際應用中會遇到一些挑戰(zhàn)和局限性。這些問題有時候讓人挺頭疼的。
最明顯的一個是對初始聚類中心的敏感性。KMeans的迭代過程是從隨機選擇的K個點作為初始中心開始的。如果初始中心選得不好，算法可能會收斂到局部最優(yōu)解，而不是全局最優(yōu)解。雖然kmeans++這種初始化策略（Scikit-learn默認使用）大大緩解了這個問題，它會選擇離已選中心較遠的點作為下一個中心，但依然不能完全保證找到全局最優(yōu)。所以，通常我們會設置n_init參數(shù)（例如n_init=10），讓KMeans運行多次，每次用不同的初始中心，然后返回最好的那個結(jié)果，這能有效提高聚類質(zhì)量。
另一個大問題是它假設簇是球形的且大小相似。KMeans基于歐氏距離來劃分簇，自然傾向于找到圓形或橢圓形的簇。如果你的數(shù)據(jù)簇是任意形狀的（比如月牙形、環(huán)形），或者簇的密度差異很大，KMeans的表現(xiàn)就會很差，它會強行把非球形的數(shù)據(jù)點切分成球形簇。這時候，像DBSCAN（基于密度）或者Agglomerative Clustering（層次聚類）可能更合適。
對異常值（Outliers）的敏感也是一個痛點。單個或少數(shù)幾個離群點可能會顯著拉動聚類中心，導致整個簇的形狀和位置發(fā)生偏差，從而影響聚類結(jié)果的準確性。在進行KMeans之前，通常需要對數(shù)據(jù)進行離群點檢測和處理。
還有就是K值的選擇問題，前面已經(jīng)提過了。沒有一個放之四海而皆準的方法能確定最佳K值，這需要經(jīng)驗、業(yè)務知識和一些啟發(fā)式方法（如手肘法、輪廓系數(shù)）的結(jié)合。
最后，KMeans無法處理非數(shù)值型數(shù)據(jù)。所有輸入特征都必須是數(shù)值型的。如果你有類別特征，需要進行獨熱編碼（One-Hot Encoding）或其他轉(zhuǎn)換。
這些局限性并不是說KMeans不好，而是提醒我們在使用它之前，要對數(shù)據(jù)有足夠的了解，并且在必要時考慮其他更適合的算法。
如何優(yōu)化KMeans聚類結(jié)果并提升模型性能？
既然KMeans有這些局限性，那我們有沒有辦法去“優(yōu)化”它，讓它的表現(xiàn)更好呢？當然有，有些小技巧或者說最佳實踐，能顯著提升聚類效果。
首先，數(shù)據(jù)預處理是重中之重。我前面提到過標準化，這絕對是KMeans的基石。如果你的特征量綱差異很大，或者數(shù)值范圍懸殊，不標準化就直接跑KMeans，結(jié)果往往會很糟糕。因為距離計算會被數(shù)值大的特征主導，小的特征幾乎沒啥發(fā)言權(quán)。除了標準化，有時候特征工程也能幫大忙。比如，如果你發(fā)現(xiàn)原始特征的組合能更好地揭示簇結(jié)構(gòu)，那就大膽地去創(chuàng)造新特征。
其次，選擇合適的初始化策略。雖然Scikit-learn的KMeans默認使用了kmeans++，這已經(jīng)比純隨機初始化要好很多了，但如果你對結(jié)果還不滿意，可以嘗試多次運行KMeans并選擇最優(yōu)解（通過設置n_init參數(shù)為一個較大的值，例如10或20）。這能有效避免陷入局部最優(yōu)。
再來，處理異常值。正如前面所說，異常值對KMeans的影響很大。在聚類之前，可以考慮使用一些離群點檢測算法（比如Isolation Forest, LOF等）來識別并處理這些異常點。你可以選擇移除它們，或者將它們單獨標記出來，不參與核心聚類。
另外，評估指標的綜合使用。不要只盯著手肘法或者輪廓系數(shù)。有時候，一個K值在這些指標上表現(xiàn)一般，但在業(yè)務上卻非常有意義。所以，聚類結(jié)果出來后，一定要結(jié)合業(yè)務背景去解釋和評估。比如，看看每個簇的特征分布，是不是符合你的直覺，或者能給你帶來新的洞察。
最后，如果你發(fā)現(xiàn)KMeans確實不太適合你的數(shù)據(jù)（比如數(shù)據(jù)簇形狀不規(guī)則），那就考慮其他聚類算法。DBSCAN在處理不規(guī)則形狀簇和識別噪聲方面有優(yōu)勢，層次聚類（Agglomerative Clustering）則能生成聚類樹，幫助你理解不同粒度的簇結(jié)構(gòu)。選擇合適的工具，才是解決問題的關鍵。
在我看來，沒有一種算法是完美的。KMeans雖然簡單，但它強大的地方在于其直觀性和計算效率。通過這些優(yōu)化手段，我們可以在很大程度上彌補它的不足，讓它在更廣泛的場景中發(fā)揮作用。
