简介：针对高校宿舍分配场景，基于K均值聚类算法的Python源码项目，面向数据挖掘学习者、开发者和高校信息化管理人员，演示如何用机器学习库完成学生特征聚类，将年龄、性别、专业、生活习惯等多维数据纳入分析，从而优化住宿分组、减少生活习惯冲突。压缩包共13个文件，包含主程序、依赖清单、CSV聚类结果、Markdown说明文档、XML工程配置，以及两段MP4演示视频，整体约10.71MB，结构清晰，便于按需查阅，已有819人学习。资源完整展示了从数据预处理、特征标准化、模型训练到结果可视化的项目流程，并讨论K值选择方法（肘部法则、轮廓系数）及KMeans++初始化策略。附带的CSV文件提供最终聚类结果和聚类中心占比，可直接用于分析；两段录屏分别演示程序运行与文档操作，配合源码注释，即使初学者也能快速复现并迁移到其他聚类场景，作为课程设计或宿舍分配系统的参考实现。
1. 宿舍分配不是排班问题，而是聚类问题
每年迎新季最头疼的不是床位不够，而是“怎么把一群人凑进同一间房”。手工按学号顺序排，或者按报到先后抽签，结果往往是夜猫子和早睡党同寝室，爱打游戏的和备考考研的共用一张桌子，不到一个月就有人申请调宿。另一个反直觉的点是：宿舍分配本质上不是分配问题，而是一个聚类问题。目标不是“给每个人找一个位置”，而是“让住在同一房间的人尽可能相似”。KMeans 聚类算法把每位学生的行为特征数字化后，按相似度聚成若干簇，每个簇对应一个宿舍的候选人群。这个思路对宿舍管理员和 IT 从业者都适用：前者拿到的是可理解的报表，后者看到的是标准 sklearn 流程如何在真实业务里落地。下面从算法原理开始拆。
2. KMeans 的距离世界：从欧氏距离到标准化输入
KMeans 的核心假设是：簇内样本距离尽可能小，簇间距离尽可能大。这里的“距离”默认是欧氏距离，但真实宿舍数据里有均值、方差差距极大的字段，直接扔进算法会让高量纲特征主导结果。所以这章先把距离和标准化讲清楚，再给最小可运行代码验证效果。
2.1 距离度量：为什么默认选欧氏距离
欧氏距离是 KMeans 的原生语言。算法在每次迭代中计算样本到质心的欧氏距离，把样本归到最近质心，然后重新计算质心坐标。这个过程收敛性稳定，计算成本低，在特征独立时效果最直接。相比曼哈顿距离和余弦相似度，欧氏距离对特征之间相关性有一定容忍度，但量纲差异会直接污染距离值，这是宿舍分配场景里最大的坑。
| 距离 | 公式（两个向量 x, y） | 适用场景 | 宿舍分配中的注意点 |
|---|---|---|---|
| 欧氏距离 | sqrt(sum((x_i-y_i)^2)) | 连续数值特征，如作息时间、自习时长 | 必须先标准化，否则量纲大的特征权重失控 |
| 曼哈顿距离 | sum(abs(x_i-y_i)) | 稀疏或整数特征，如卫生评分 | 对异常值更鲁棒，但 sklearn KMeans 默认不支持 |
| 余弦相似度 | 1 - x·y/( | x |
宿舍数据里，就寝时间、学习时长、晚归次数都是绝对数值，方向意义不大，所以默认用欧氏距离。后面的特征工程和代码也都围绕它展开。
2.2 标准化：不标准化等于只用一个特征
一个常见错误是：直接把“每日学习时长（0.5～10小时）”和“晚归次数（0～30次）”丢进 KMeans。晚归次数数值大，会在距离计算里碾压学习时长，聚类结果基本相当于按晚归次数单维度排序。解决办法是标准化，常见做法是 Z-Score 或 MinMaxScaler。Z-Score 更适合有正态趋势的连续值，MinMax 保留原始分布形状，适合成绩这种有明确边界的分数。
下面是最小可运行示例，用随机数据走一遍标准 KMeans 流程：
import numpy as np import pandas as pd from sklearn.cluster import KMeans from sklearn.preprocessing import StandardScaler # 模拟 60 个学生，特征是就寝时间和自习时长 np.random.seed(42) data = pd.DataFrame({ "sleep_time": np.random.normal(23, 1, 60), # 就寝时间，均值 23 点 "study_hours": np.random.normal(5, 2, 60), # 每天自习小时数 }) scaler = StandardScaler() X_scaled = scaler.fit_transform(data) model = KMeans(n_clusters=4, n_init=10, random_state=0) model.fit(X_scaled) data["cluster"] = model.labels_ print(data.groupby("cluster").mean())代码逻辑很简单：先用 StandardScaler 做 Z-Score 标准化，再把标准化后的特征矩阵传给 KMeans。n_clusters=4表示聚成 4 个簇，n_init=10让算法用 10 个不同初始化质心各跑一遍，再选收敛结果最好的那次，避免随机初始化带来的局部最优。random_state=0让结果可复现，在排宿舍时需要保证每次运行输出一致。
输出groupby("cluster").mean()能看到每个簇的作息和自习均值，比如 0 号簇平均 23:30 睡觉、自习 3 小时，3 号簇平均 1 点睡觉、自习 8 小时。这个矩阵就是后面分配宿舍的中间依据。没做标准化时，study_hours取值范围小，sleep_time离散程度大，簇边界就会偏移，验证时经常出现“两簇学生学习习惯完全不同”的假聚类。
2.3 质心初始化与迭代次数的影响
真正影响结果的是初始化方式。sklearn 新版默认init="k-means++"，让初始质心互相较远，比完全随机初始化稳定得多。max_iter=300是默认值，宿舍数据规模在几百到几千人，几十次迭代就收敛了，一般不用调。但如果发现不同random_state下簇成员变化明显，多半是数据里存在离群值，或者 K 选得不合适。
极端离群值比如某个学生填了就寝时间 3:00，标准化后这个点会变成七八个标准差的离群点，吸引一个质心单成一簇，宿舍里就只分到一个人。处理方法是特征清洗阶段直接剔除答卷异常值，或者标准化后手动 clip 到合理区间，不要留给聚类算法处理。宿舍分配讲究的是“尽量相似”，不是“孤立异常”，离群点应该单独走人工分配通道。
3. 宿舍分配的特征工程与 K 值选择
聚类算法吃的是数字，但宿舍场景里的原始信息是问卷和考勤记录。这一章解决两个问题：把学生画像转成数值矩阵，以及选多少个簇才匹配宿舍楼实际床位。
3.1 特征编码：把性格和习惯变成数值
宿舍分配关心的核心维度是作息、学习、卫生和社交。设计特征时不要贪多，特征越少越可控，每加一个特征就要确认它对聚类结果有区分度。下面是宿舍项目常用的一套特征模板：
| 特征名 | 原始形式 | 编码方式 | 说明 |
|---|---|---|---|
| sleep_time | 就寝时间“23:30” | 换算成小时小数 23.5 | 连续值，标准化后参与距离计算 |
| wake_time | 起床时间“07:00” | 换算成 23 + 7 = 30 再归一化 | 避免跨零点问题，睡眠类特征建议线性变换 |
| study_hours | 自习时长 0～10 小时 | 直接整型 | 连续值，反映勤奋程度 |
| hygiene_score | 1～5 分 | 整型 | 数量级较小，但标准化后无影响 |
| game_freq | 每周打游戏次数 | 0～5 定序 | 定序特征转整型，不要 one-hot，避免稀疏 |
| music_type | 安静/偏噪/摇滚 | 0/1/2 三值 | 类别少时直接编号，类别多时用 one-hot |
一个容易踩的坑是两个与时间相关的特征。如果就寝时间直接用“23:30”字符串，或者把 0:30 理解成 0.5 而不是 24.5，聚类时就会把“凌晨睡”和“傍晚睡”混在一起。我一般统一把时间转换成自正午 12:00 起的连续小时数，例如 23:30 转成 23.5，00:30 转成 24.5，这样距离是连续的，符合人的直觉。
特征标准化和前面一样用 StandardScaler 或 MinMaxScaler。宿舍数据通常规模小，几百条样本，不需要太复杂的降维，把特征控制在一双手数得过来的范围内即可。
3.2 肘部法则：用簇内平方和选 K
K 值对应的是“想分成多少类人”，但在宿舍场景里，K 更像是“先分成几类人，再把每类人里的个体平铺到各宿舍”。一般步骤是先跑肘部法则确定拐点，再用宿舍总容量反推 K 的下限，最终取一个既能解释又能操作的数。
下面代码用上一章的模拟数据画肘部图：
import matplotlib.pyplot as plt from sklearn.cluster import KMeans inertia = [] K_range = range(2, 11) for k in K_range: km = KMeans(n_clusters=k, n_init=10, random_state=0) km.fit(X_scaled) inertia.append(km.inertia_) # 簇内平方和，越小越紧凑 plt.plot(K_range, inertia, marker="o") plt.xlabel("K") plt.ylabel("Inertia") plt.show()inertia_是每个样本到所属质心距离的平方和。当 K 增加时，惯性指数下降，下降幅度从某个 K 开始明显放缓，那个拐点就是信息量收益最大处。实际经验是：宿舍分配取拐点附近 + 数据业务约束共同决定，比如每栋楼有 10 层、每层 20 间四人房，那 K 至少要为 10 的整数倍或者与班级数对齐。
3.3 容量约束：聚类不等于分房
聚类结果是“几类人”，不是“几个宿舍”。假设一共 600 人、每间 4 人，先聚成 5 类，每一类有 120 人，再把这 120 人按某种规则分成 30 个四人组。这里的“按某种规则”通常是随机排列后按床位窗滑动，或者按某个次要特征（比如学号后两位）均匀打散，避免同班的扎堆或班长全部落在同一间。
但聚类本质不保证每个簇的人数正好是 4 的整数倍，所以需要在簇内做一次二次划分。常见做法是：
- 对每个簇内样本按重要特征（如睡眠时间）排序；
- 用洗牌策略对排序后的序列做分段，段内 4 人成舍；
- 如果簇人数余 2～3 人，就和另一个余员类似的簇合并后再分段。
这一段逻辑属于业务规则，直接写进源码里，通常叫assign_rooms。KMeans 只负责把“脾气相投”的人归到一起，真正落到门牌号需要单独的约束处理函数，这个在下一章代码里会完整出现。
4. 源码工程落地：从 Excel 到分房名单的完整流程
这章按实际项目结构走一遍。源码包里带演示视频，演示的就是下面这个流程从点击运行到输出宿舍名单的完整过程。工程一般分成data/、src/、output/三个目录，核心脚本只做四件事：读数据、清洗、聚类、按容量分房。
4.1 工程结构与依赖
项目根目录下通常包含：
dormitory-kmeans/ ├── data/ │ └── students.xlsx # 学生信息及特征问卷 ├── src/ │ ├── preprocess.py # 数据清洗与特征转换 │ ├── cluster.py # KMeans 聚类与 K 值选择 │ └── assign.py # 簇内二次分配生成宿舍名单 ├── output/ │ └── room_assign.csv # 最终分配结果 └── demo.mp4 # 演示视频依赖只有pandas、numpy、scikit-learn、openpyxl。如果是在课程设计环境，通常再补一个matplotlib画聚类散点图和惯性曲线。演示视频里一般会展示从命令行运行python main.py，到终端打印聚类中心，再到生成 CSV 的一系列输出，方便评审时快速确认程序确实跑通了。
4.2 核心实现：读数据、标准化、聚类
下面是一个可以直接扩展的主流程代码片段：
import pandas as pd from sklearn.preprocessing import StandardScaler from sklearn.cluster import KMeans def load_and_prepare(path): """读 Excel，选出聚类特征列并做清洗""" df = pd.read_excel(path, engine="openpyxl") # 剔除关键特征缺失或异常的行 df = df[pd.to_numeric(df["sleep_time"], errors="coerce").notna()] features = ["sleep_time", "wake_time", "study_hours", "hygiene_score", "game_freq"] for col in features: df[col] = pd.to_numeric(df[col], errors="coerce").fillna(df[col].median()) scaler = StandardScaler() X = scaler.fit_transform(df[features]) return df, X, scaler def run_clustering(df, X, k=6, seed=42): """执行 KMeans，并把簇标签写回原表""" model = KMeans(n_clusters=k, random_state=seed, n_init=10) labels = model.fit_predict(X) df["cluster"] = labels return df, modelload_and_prepare先读 Excel，然后强制把特征列转成数值，遇到缺失用中位数填充。这样躲开了“问卷提交人填了文本”的脏数据问题。run_clustering里fit_predict一步完成训练和打标签，簇号直接落回 DataFrame。
标准化器scaler必须保留下来，后面如果在演示界面里输入单个新学生的特征，需要调用scaler.transform才能得到同样尺度下的坐标，否则新样本会和原有数据不在同一空间。
4.3 簇内二次分配：让 4 人间的名单真正落定
聚类完成后要按宿舍容量拆分。以四人寝为例，做一份带规则的分房函数：
import numpy as np def assign_rooms(df, room_capacity=4): """在每个聚类簇内按特征均匀分段，生成宿舍号""" df = df.sort_values(["cluster", "sleep_time"]) # 簇内按睡眠时间排序 df["room_id"] = "" rooms = [] for cluster_id in df["cluster"].unique(): cluster_df = df[df["cluster"] == cluster_id].copy() n_stu = len(cluster_df) n_full = n_stu // room_capacity # 完整宿舍数 remainder = n_stu % room_capacity # 余数人数 for i in range(n_full): room_members = cluster_df.iloc[i*room_capacity:(i+1)*room_capacity] room_name = f"{cluster_id:02d}-{i+1:03d}" df.loc[room_members.index, "room_id"] = room_name rooms.append((room_name, room_members.index.tolist())) if remainder > 0: # 余数人员先标记，后续用独立逻辑并入相邻簇宿舍 room_name = f"{cluster_id:02d}-X" df.loc[cluster_df.iloc[n_full*room_capacity:].index, "room_id"] = room_name return df, rooms这个函数先按cluster和sleep_time排序，使每个簇内成员按作息时间首尾相接。接着基于room_capacity做滑窗分段：每 4 人一段，宿舍号由簇编号和段序号组成。remainder是凑不够一间的散客，标记成X后在主流程外另行合并。
为什么要在簇内按sleep_time排序再做滑窗？因为 KMeans 只保证同一个簇里的人整体相似，不保证同一簇里 12 点和 1 点睡觉的人一定分不开。按睡眠时间排序后，相邻 4 人之间的作息差异最小，这比随机抽样更容易让同宿舍的人步调一致。排序字段可以根据实际需求换成成绩排名或卫生分，逻辑相同。
4.4 输出结果字段与演示视频对照
最终 CSV 输出至少包含以下字段：
| 字段 | 来源 | 作用 |
|---|---|---|
| student_id | 原始 Excel | 学生主键 |
| cluster | KMeans 结果 | 社交/作息类型标识 |
| room_id | assign_rooms 结果 | 最终宿舍号 |
| sleep_time | 原始特征 | 供人工抽查排布是否合理 |
| study_hours | 原始特征 | 供人工抽查排布是否合理 |
演示视频里常见三个镜头：第一段拍 Excel 输入文件的表头，确认特征列和脚本读取的一致；第二段拍命令行运行main.py，展示训练日志和聚类中心；第三段打开room_assign.csv，现场按宿舍号筛选，核对人数。对照视频时最容易发现的问题是脚本里读的列名和实际 Excel 表头不一致，一个下划线或大小写差异就会让KeyError中断流程。
5. 验证聚类质量与调参的最后一公里
宿舍分配完成后，不能只看“分配出来没”，还要回答“分得合理吗”。这里给三个具体检查方法。
第一个是轮廓系数。计算每个样本到同簇其他样本的平均距离 a，到最近邻簇所有样本的平均距离 b，轮廓系数是 (b-a)/max(a,b)。范围在 [-1,1]，越接近 1 说明同类紧凑、异类分离。用silhouette_score对所有 K 值做批量扫描，一般 K 在 4～8 之间时轮廓系数最高，超过 8 曲线开始下滑，那个位置就是合理上限。
from sklearn.metrics import silhouette_score scores = [] for k in range(2, 11): km = KMeans(n_clusters=k, n_init=10, random_state=42) labels = km.fit_predict(X_scaled) scores.append(silhouette_score(X_scaled, labels)) print(list(zip(range(2, 11), scores)))第二个是检查宿舍人数均匀性。分配函数的余数逻辑容易出现“某个宿舍只有 2 人”的情况，这时需要在主流程里加一个校验：对所有room_id做value_counts()，找出不等于 4 的宿舍。如果数量超过总宿舍数的 5%，说明簇内二次分配规则有问题，应该把余数人员提前合并到其他簇再分，而不是全部留在 X 屋。我一般会把余数人员按最近簇质心重新归类，再对目标簇做扰动更新。
第三个是固定随机种子并保存模型参数。宿舍名单需要可追溯，去掉random_state后每次运行结果可能不同，这会让现场答辩时难以解释“为什么这次分到的宿舍和上次不一样”。把model.json保存 K 值、特征列、标准化均值、簇质心和簇内人数，复核时就能用KMeans(*params)完全复现。
最后一个技巧是把聚类中心输出成一张“宿舍风格表”。每个簇中心对应一种学生画像，比如 1 号簇“23 点睡、自习 6 小时、游戏频率 1”，8 号簇“0 点睡、自习 2 小时、游戏频率 5”。在分配结果文件里附带这张表，管理员一看就知道每层楼的住宿风格大致是什么样。关于离群学生，不要塞进任何簇，单独用NearestNeighbors找最近质心，再人工放入容量有余的宿舍，整个过程维持一个观点：聚类负责相似，规则负责治安。
本文还有配套的精品资源，点击获取
