K-Means聚类算法原理与Python实战应用-代码聚汇网

K-Means聚类算法原理与Python实战应用

秦哲祺·2026-07-31·阅读 55 GEO检测（免费）

K-Means聚类无监督学习Python实现

|难度：普通|阅读约 12 分钟

1. 项目概述

K-Means聚类作为无监督学习中最经典的算法之一，在数据挖掘和模式识别领域有着广泛的应用。我第一次接触这个算法是在处理一个客户分群项目时，当时需要将数百万用户根据消费行为自动划分为不同的群体。传统的手工规则方法不仅效率低下，而且难以发现数据中隐藏的自然分组。K-Means算法仅用几行代码就解决了这个问题，让我深刻体会到无监督学习的强大之处。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 核心原理解析

2.1 K-Means算法工作机制

K-Means的核心思想其实非常直观 - 它试图找到数据中的自然分组，使得同一组内的数据点彼此相似，而不同组的数据点尽可能不同。算法通过迭代优化来实现这一目标：

随机选择K个点作为初始质心（这些点不一定来自数据集）
将每个数据点分配到最近的质心，形成K个簇
重新计算每个簇的质心（即该簇所有点的均值）
重复步骤2-3直到质心不再显著变化或达到最大迭代次数

这个过程的数学本质是在最小化簇内平方和（WCSS）：
WCSS = Σ(xi - μk)²
其中xi是簇中的数据点，μk是该簇的质心。

2.2 关键参数与选择

在实际应用中，有几个关键参数需要特别注意：

K值选择：这是最关键的参数。肘部法则（观察WCSS随K增加的变化曲线）和轮廓系数是常用的方法。我个人的经验是，业务需求往往比纯数学指标更重要。
初始质心选择：k-means++初始化可以显著改善结果稳定性。Python的sklearn默认就采用这种方式。
最大迭代次数：通常100-300次足够，但高维数据可能需要更多。
收敛阈值：控制算法何时停止的小量，一般保持默认即可。

3. 实战应用指南

3.1 Python实现示例

使用sklearn实现一个完整的K-Means流程：

python复制from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt

# 数据预处理
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 确定最佳K值
wcss = []
for i in range(1, 11):
    kmeans = KMeans(n_clusters=i, init='k-means++', random_state=42)
    kmeans.fit(X_scaled)
    wcss.append(kmeans.inertia_)
    
# 绘制肘部曲线
plt.plot(range(1,11), wcss)
plt.title('The Elbow Method')
plt.xlabel('Number of clusters')
plt.ylabel('WCSS')
plt.show()

# 最终聚类
optimal_k = 3  # 根据曲线选择
kmeans = KMeans(n_clusters=optimal_k, init='k-means++', random_state=42)
y_kmeans = kmeans.fit_predict(X_scaled)

3.2 评估聚类质量

不同于监督学习，聚类没有明确的"正确答案"。常用评估指标包括：

轮廓系数：衡量一个点与同簇其他点的相似度相比与其他簇的差异
- 范围在[-1,1]，越接近1越好
- sklearn.metrics.silhouette_score
卡林斯基-哈拉巴斯指数：簇间离散度与簇内离散度的比值
- 越高表示聚类效果越好
戴维斯-布尔丁指数：簇内距离与簇间距离的比值
- 越低越好

在我的项目中，通常会结合多种指标和业务知识综合判断。

4. 典型应用场景

4.1 客户细分

零售和电商领域常用K-Means对客户进行分群。基于购买历史、 demographics、浏览行为等特征，可以将客户划分为：

高价值忠诚客户
价格敏感型客户
潜在流失客户等

我曾用这个方法帮助一个电商平台发现了他们之前忽略的一个高潜力客户群体，带来了15%的营收增长。

4.2 图像压缩

通过将相似颜色的像素聚类，可以大幅减少图像中的颜色数量。例如将一张照片从百万颜色压缩到256色：

python复制from sklearn.utils import shuffle
import numpy as np

# 加载图像
image = plt.imread('photo.jpg')
w, h, d = image.shape
image_array = np.reshape(image, (w * h, d))

# 采样加速计算
image_array_sample = shuffle(image_array, random_state=0)[:1000]

# 聚类颜色
kmeans = KMeans(n_clusters=64, random_state=42).fit(image_array_sample)
labels = kmeans.predict(image_array)

# 重建压缩图像
compressed_image = kmeans.cluster_centers_[labels]
compressed_image = np.reshape(compressed_image, (w, h, d))

4.3 异常检测

通过观察远离所有簇中心的点，可以识别潜在的异常值。这在金融欺诈检测和工业设备监控中特别有用。

5. 高级技巧与优化

5.1 处理高维数据

K-Means在高维空间会遇到"维度诅咒"。常用对策：

先使用PCA降维
采用特征选择减少无关维度
使用更适合高维数据的距离度量（如余弦相似度）

5.2 处理不同尺度特征

当特征量纲差异大时（如年龄和收入），必须进行标准化：

Z-score标准化（StandardScaler）
MinMax缩放
RobustScaler（对异常值鲁棒）

5.3 加速大规模数据聚类

对于超大数据集：

使用MiniBatchKMeans
采用近似算法如k-means||
分布式实现（如Spark MLlib）

6. 常见问题与解决方案

6.1 空簇问题

有时会出现某个簇没有数据点的情况。解决方法：

重新初始化质心
降低K值
使用k-means++初始化

6.2 局部最优解

K-Means对初始质心敏感，可能陷入局部最优。对策：

多次运行取最好结果（n_init参数）
增加初始化尝试次数
结合层次聚类结果作为初始质心

6.3 非球形簇表现不佳

K-Means假设簇是凸形且各向同性。对于复杂形状：

尝试谱聚类或DBSCAN
使用核方法将数据映射到高维空间
考虑基于密度的聚类算法

7. 与其他聚类算法对比

7.1 K-Means vs 层次聚类

K-Means计算效率更高（O(n) vs O(n²)）
层次聚类不需要预先指定K值
层次聚类能提供树状图可视化

7.2 K-Means vs DBSCAN

DBSCAN能发现任意形状的簇
DBSCAN自动确定簇数量
K-Means对高维数据相对更稳定
DBSCAN对参数(ε, minPts)更敏感

7.3 K-Means vs GMM

GMM是概率模型，提供软聚类
GMM能处理不同大小和相关性的簇
K-Means计算更简单快速

8. 实际项目经验分享

在最近的一个零售项目中，我们需要对全国2000多家门店进行聚类分析。原始数据包含50多个特征，经过特征选择和PCA降维后保留12个主成分。通过肘部法则和轮廓系数分析，最终确定K=5是最优选择。

一个关键发现是，传统按地理位置划分门店的方式其实掩盖了重要的业务模式。我们的聚类结果显示，位于一线城市黄金地段的两家门店，其实际业务特征更接近四五线城市的社区店，这与管理层的直觉完全相反。这个洞察帮助他们重新调整了资源配置策略。

技术细节上，我们采用了以下优化：

使用MiniBatchKMeans处理大规模数据
采用轮廓分析自动选择K值
开发了交互式可视化工具帮助业务人员理解聚类结果

重要经验：聚类结果的解释和业务落地往往比算法本身更具挑战性。建议在项目早期就引入领域专家，确保聚类特征的选择和结果的解释符合业务逻辑。