突破K-means局限：Python实战混合数据聚类的k-prototypes全流程指南

当你的数据集同时包含年龄、收入等数值型变量和性别、职业等分类型变量时，传统的K-means算法往往会陷入困境。本文将带你深入理解混合数据聚类的核心挑战，并手把手教你用Python的kmodes库实现k-prototypes算法，从数据预处理到结果可视化构建完整解决方案。

1. 为什么混合数据需要特殊处理？

假设你正在分析电商用户数据，其中既包含消费金额（数值型）又包含会员等级（分类型）。如果强行用K-means处理，算法会默认所有变量都是数值型，导致分类变量被错误计算欧氏距离。我曾在一个用户分群项目中，将职业类型直接输入K-means，结果发现"工程师=3"和"设计师=2"被计算为数值差距，这显然不符合业务逻辑。

混合数据聚类面临三大核心挑战：

1. 距离度量不统一：数值型适合欧氏距离，分类型需要汉明距离
2. 量纲差异干扰：收入（万元级）和年龄（十位级）数值范围悬殊
3. 分类变量编码陷阱：独热编码会导致维度爆炸和稀疏性问题

提示：k-prototypes的创新之处在于同时整合了K-means（处理数值型）和k-modes（处理分类型）的优势，通过组合距离函数解决混合数据问题。

2. 环境准备与数据预处理

2.1 工具链配置

推荐使用conda创建专属环境：

bash复制conda create -n kproto python=3.8
conda activate kproto
pip install kmodes pandas numpy matplotlib seaborn

2.2 数据清洗实战

加载一个模拟的银行客户数据集：

python复制import pandas as pd
data = pd.DataFrame({
    'age': [25, 38, 45, 32, 29, 41],
    'income': [48000, 92000, 65000, 38000, 51000, 87000],
    'education': ['本科', '硕士', '博士', '大专', '本科', '硕士'],
    'card_type': ['金卡', '