简介：面向机器学习初学者的K-Means聚类入门实践资源，基于Python对经典鸢尾花（Iris）数据集完成无监督聚类分析，帮助理解聚类算法原理与基本流程。压缩包共2个文件，包括1个CSV数据文件与1个Python脚本，整体仅2KB，结构轻量、便于直接运行，适合在本地环境快速验证。数据文件收录Fisher于1936年提出的三种鸢尾花共150个样本，含花萼长度、花萼宽度、花瓣长度、花瓣宽度四个特征；Python脚本实现数据清洗、标准化、K-Means聚类、K值选择、SSE/轮廓系数评估及散点图可视化等完整流程。目前已有156人浏览学习，尤其适合刚接触无监督学习、想通过代码实践K-Means算法的读者。借助其中的代码与数据，可快速掌握从数据处理到聚类分析、结果评估的完整思路，也可作为后续复杂聚类任务的基础框架，帮助系统理解无监督学习中的关键概念。
1. 拿到 iris-kmeans.zip：先跑通，再解决“簇号对不上品种”的问题
这种压缩包在网上一搜一大片，解压出来基本是同一副面孔：一份 iris.csv，一段 kmeans.py，跑完能画个散点图，能输出一串簇号。但第一次照做的人往往愣住——簇 0、1、2 和山鸢尾、变色鸢尾、维吉尼亚鸢尾的对应关系每次跑都不一样，换一个随机种子，结果又换一副面孔。这不是你写坏了代码，而是 K-Means 只负责把样本分堆，不负责给堆起名字。这篇文章就顺着 iris-kmeans.zip 这条路走一遍：先讲清楚聚类在优化什么，再给你一份能直接复现的 Python 实现，最后把初始化、K 值、特征尺度这几个会让结果翻车的地方单独拎出来说清楚。
2. 聚类原理先立住：K-Means 在优化什么，iris 为什么是试金石
2.1 损失函数与迭代逻辑：距离、分配、均值更新的三角循环
K-Means 做的事在数学上很直白：给定 N 个样本，每个样本是一个 d 维向量，选定 K 个聚类中心（质心），把每个样本分到距离最近的那个中心，然后反复调整中心位置，让“所有样本到各自中心距离平方和”尽量小。形式化一点，目标函数写作：
J = Σ_{i=1}^{N} || x_i - μ_{c_i} ||²
其中 μ_{c_i} 是样本 x_i 所属簇的质心。很多人把这个公式当成概念背下来，却忽略了一个关键事实：它是非凸的，理论上没有一步到位的解析解，你想穷举所有划分方式来计算最小值，组合数量是指数级的，根本算不动。
所以业界普遍采用交替优化的思路，把复杂问题拆成两个能单独求解的子问题。常见做法的循环是三步：第一，初始化，随机选 K 个样本当初始质心；第二，分配，固定质心不动，每个样本划给距离最近的质心；第三，更新，固定分配结果，把每个质心挪到该簇所有样本的均值位置，然后回到第二步。
只要质心位置的变化量小于某个阈值，或者达到最大迭代次数，循环就停。你会在各种版本的 kmeans.py 里看到两个关键操作：argmin和mean，前者对应分配，后者对应更新，整个算法本质上就是这两步在交替。这里要特别提一句收敛性问题：这个循环只能保证收敛到局部最优，不保证全局最优。所以同样一份代码，同一个数据集，换一个初始化种子，结果可能完全不同。这不是代码缺陷，是问题本身的形态决定的。
2.2 iris 数据集的结构：4 个数值特征、3 个品种与标签的作用
iris 数据集是机器学习里元老级的基准数据。它收集了 3 个鸢尾品种各 50 个样本，共 150 条记录，每个样本有 4 个数值特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度，单位都是厘米。数据里还有一个品种标签，但注意，K-Means 在训练阶段完全不看标签，这个标签只在我们事后来评价聚类质量时才有用。
先提醒一个容易混淆的地方：iris 在英文里也指虹膜识别那个概念，但聚类语境下，iris.csv 里装的永远是植物的测量数据，和摄像头、人眼识别没有任何关系。下载数据时认准“150 行、5 列”这个形态就对了，凡行数不是 150 的 iris 数据集，大概率是别人加工过的版本，我的做法是先确认列名和样本量再往下走。
这个数据集被拿去当聚类基准，是因为数据形态很有代表性：山鸢尾（setosa）和另外两个品种在特征空间里分得很开，而变色鸢尾（versicolor）和维吉尼亚鸢尾（virginica）相互交叠。如果在无标签条件下跑 K-Means，K=3 时一般只能得到大约 85% 的对应准确率，这还是事后把簇号映射回真实标签的结果。剩下那 15% 的交叠样本，是数据本身的结构决定的，不是你算法调参能消除的，这一点对判断结果好坏很重要。
2.3 硬分配与几何直觉：为什么簇边界是直线，为什么簇形必须“凸”
K-Means 用的是硬分配，每个样本只能属于一个簇，没有“我既像簇 0 又像簇 1”的可能性。当我们用欧氏距离时，整个特征空间会被质心切成若干个区域，区域边界是分段线性的，学名叫 Voronoi。落在哪个区域，样本就归哪个簇。这个边界天然是直线或超平面，所以 K-Means 更擅长拆解形状近似凸的簇，遇到环形、月牙形或者缠绕在一起的数据，它的能力边界就暴露了。
iris 恰好是凸簇的典型：三个品种在四维特征空间里各自占据一块近似球形的区域，只是其中两块有交叠。有了这层几何直觉，你会更容易理解为什么聚类结果看起来是这样：交叠区域里的样本就是会被边界线硬生生切开，分给其中的一边，真实标签并不能参与投票。
这也是我喜欢拿 iris 做第一份教程数据的原因。它把 K-Means 的边界和代价都展示得很清楚，你既能看到算法如何正确划分山鸢尾，也能看到它在交叠区域如何犯错，却不会像真实业务数据那样，连“正确结果长什么样”都没有参照物。理解清楚这些，下面手写实现时你才能判断每一行代码到底在算什么。
3. 用 Python 把 kmeans 跑通 iris：从解压、预处理到出图
3.1 解压后的文件结构，以及 iris 数据的读入与缺失值检查
这种 zip 压缩包的典型整理方式是：iris.csv 放原始数据，kmeans.py 放核心代码，可能附带一张 cluster_result.png 之类的输出图。我一般拿到包先不急着跑脚本，而是先把 iris.csv 单独读进来看一眼结构，确认特征列和标签列的顺序，因为不同来源的数据集列名不一样，有的叫 target，有的叫 species，有的干脆没有表头。
import pandas as pd df = pd.read_csv("iris.csv") print(df.info()) print(df.head()) # 检查缺失值，K-Means 不能直接处理 NaN print(df.isnull().sum()) # 确认样本量是否为 150，类别是否刚好 3 类 print(df.shape) print(df.iloc[:, -1].value_counts())这段代码里，df.info()告诉你每列有没有空值、是什么数据类型；df.isnull().sum()把缺失值逐列统计出来。K-Means 的距离计算里不允许出现 NaN，一旦有缺失值，后面求距离时整个结果会变成 NaN，argmin也就失去意义。所以拿数据后第一件事永远是缺失值检查，而不是开跑算法。df.shape是为了确认它没被加工成别的样本量，df.iloc[:, -1].value_counts()是为了确认三个品类是不是各 50 条。
如果要把特征和标签分开，我的做法是把最后一列看成标签，前面几列当特征，并把特征转成 numpy 数组：
X = df.iloc[:, :-1].values.astype(float) y_true = df.iloc[:, -1].values # 看一眼四个特征的取值范围，决定后续要不要标准化 for i, col in enumerate(df.columns[:-1]): print(col, X[:, i].min(), X[:, i].max())这一步输出的 min/max 很有用。你会发现 petal_length 和 petal_width 的数值范围通常比 sepal_length、sepal_width 大不少，距离计算时天然会放大数值差异大的特征带来的影响。后面讲到标准化时会再回到这个输出。
3.2 手写 kmeans 核心循环：初始化、分配、更新、收敛判断
下面这份代码是精简版手写 K-Means，不依赖 sklearn，只用 numpy，放到 kmeans.py 里就能跑完整实验：
import numpy as np def kmeans(X, k, max_iters=100, tol=1e-4, seed=0): rng = np.random.default_rng(seed) n, d = X.shape # 初始化：从样本里随机挑 k 个当初始质心 idx = rng.choice(n, k, replace=False) centers = X[idx].copy() for i in range(max_iters): # 分配：计算每个样本到所有质心的欧氏距离 diff = X[:, None, :] - centers[None, :, :] # (n, k, d) dist2 = np.sum(diff ** 2, axis=2) # (n, k) labels = np.argmin(dist2, axis=1) # 每个样本最近的质心 # 更新：用簇内样本均值作为新质心 new_centers = np.zeros_like(centers) for j in range(k): member = X[labels == j] if len(member) > 0: new_centers[j] = member.mean(axis=0) else: # 空簇：保留旧质心，下一轮继续参与分配 new_centers[j] = centers[j] # 收敛判断：质心位移小于 tol 则提前停止 shift = np.linalg.norm(new_centers - centers) centers = new_centers if shift < tol: return centers, labels, i + 1 return centers, labels, max_iters参数含义如下：X是特征矩阵，行是样本，列是特征；k是想要的簇数量，iris 场景下先设 3。max_iters=100防止极端情况下无限循环，tol=1e-4是收敛容差，当质心整体移动距离小于这个值就认为已经稳定。seed是我习惯主动加的参数，不固定的话每次结果都不可控，实验报告很难解释。
核心的向量化写法是X[:, None, :] - centers[None, :, :]，把(n, d)的矩阵扩展成(n, k, d)，利用广播一次算出所有样本到所有质心的坐标差，再平方求和得到距离矩阵，这比嵌套 for 循环算距离快一个数量级。空簇分支也值得留心：如果某个簇一个成员都没有，mean会得到 NaN，所以保留旧质心让它下一轮再参与分配，这是手写实现最容易遗漏的地方。
3.3 结果评估与可视化：用交叉表看簇与真实品种的关系
跑完聚类，第一件事不是画图，而是看簇号和真实标签之间的对应关系。直接用 labels 和 y_true 做一张交叉表：
import pandas as pd result = pd.DataFrame({"真实品种": y_true, "簇号": labels}) print(pd.crosstab(result["真实品种"], result["簇号"]))输出的表格每一行是一个真实品种，每一列是簇号。理想情况下，每一行应该只有一列有大量计数，其它列接近零。实际你会看到一种很典型的格局：簇 0 对应山鸢尾，簇 1 对应变色鸢尾加一部分维吉尼亚鸢尾，簇 2 对应剩余维吉尼亚鸢尾。这说明聚类结果把两个交叠的品种混在一起了，这是数据本身的结构决定的。
画图时我一般只取两个区分度最高的特征：花瓣长度和花瓣宽度。
import matplotlib.pyplot as plt plt.figure(figsize=(8, 6)) for j in range(3): mask = labels == j plt.scatter( X[mask, 2], X[mask, 3], label=f"簇 {j}", alpha=0.7, edgecolors="k", ) plt.xlabel("petal_length") plt.ylabel("petal_width") plt.legend() plt.savefig("cluster_result.png", dpi=150)横纵坐标用X[:, 2]和X[:, 3]，对应花瓣长度和花瓣宽度。这两个特征在 iris 上区分度很高，用在二维图上最容易看出簇边界。alpha 调到 0.7 是为了处理重叠点，否则交叠区域的点会被后面的点完全盖住，看不清边界。保存成 png 是为了方便后续写实验报告时直接引用。
3.4 sklearn 版 KMeans 作对照组：关键参数的含义与差异
手写版跑通后，我还会拿 sklearn 的 KMeans 做一次对照组，确认自己的实现没写偏。这个对照不是多余动作，相当于给手写代码做一次校准。
from sklearn.cluster import KMeans km = KMeans(n_clusters=3, init="k-means++", n_init=10, max_iter=300, random_state=0) labels_sk = km.fit_predict(X)每个参数都要记住它的含义：n_clusters=3是簇数；init="k-means++"表示用 k-means++ 初始化，替代纯随机初始化，能明显改善局部最优问题；n_init=10表示算法会用 10 个不同的初始质心各跑一遍，最后保留其中目标函数最小的那份结果；max_iter=300是单次运行的最大迭代轮数，给足上限；random_state=0固定随机数，保证重建结果。
对照时可以分别打印两个版本的簇号交叉表。要注意的是，sklearn 版跑出来的簇号顺序通常和手写版不一样，这很正常。簇号只是编号，没有任何语义，只有把簇号和真实品种做成映射表才有可比性。如果想量化两份聚类结果的一致程度，可以用调整兰德系数，不过那个属于评估指标选型，等需要做正式对照实验时再上，普通学习阶段看交叉表已经足够。
4. kmeans 做 iris 最容易翻车的 5 个现场：现象、原因、解决
4.1 簇号与真实标签错位，以及多次运行结果漂移
现象：聚类输出的簇 0、簇 1、簇 2 和山鸢尾、变色鸢尾、维吉尼亚鸢尾的对应关系，每次运行都不一样。第一次簇 0 是山鸢尾，换个种子簇 0 变成维吉尼亚鸢尾；直接把簇标签和真实标签比准确率，只能得到百分之三四十的离谱数字。
原因：K-Means 输出的簇号来自argmin的索引，初始质心顺序不同，簇号就不同。算法本身不携带任何“哪个簇该叫哪个品种”的信息，所以簇号天然没有语义，也和品种标签没有任何约定。
解决：评估时永远不要用簇号直接对比标签，而是先做交叉表，看每一簇主要由哪个品种组成，再按多数映射回去。判断聚类质量的标准动作是先对齐类别再算准确率，否则得到的是一个意义不明的数字。交叉表的写法在 3.3 节已经给出，直接复用即可。
现象：同一代码同一数据集，random_state 换几个数字，结果差别巨大，簇边界在图上看起来完全不同。
原因：初始化质心是随机的，目标函数又是非凸的，算法可能停在不同的局部最优解上。这是 K-Means 的固有特性，不是某个实现写坏了。
解决：在参数层面把初始化改成init="k-means++"，把n_init提高到 10 以上，让算法从多个初始点出发再挑目标函数最小的那次结果；如果要完全复现，就固定 random_state。我自己做实验的习惯是先固定种子跑一遍，再换 2 个种子复跑，确认簇结构稳定后才把结果写进报告。
4.2 空簇、局部最优与特征尺度带来的失真
现象：手写版跑出来出现一个空簇，某个质心周围没有任何样本点，输出的 labels 里看不到某个簇号。
原因：质心初始化选到了样本分布中的偏僻位置，迭代过程中又没有样本分配到它，它就变成了一个“僵尸质心”。多数实现继续拿这个空质心算距离，但更新均值时会产生 NaN，整轮结果作废。
解决：手写代码里，空簇分支要保留旧质心，不参与均值计算，这个处理在 3.2 节的代码里已经实现了。更主动的做法是重新初始化质心，把空簇质心挪到离它最近的有样本区域的远端。生产实践中我更推荐直接用 sklearn 的 KMeans，它对空簇有兜底逻辑，比手写实现省一步踩坑的机会。
现象：四个特征直接喂进去，聚类结果似乎只受花瓣长度影响，花萼宽度几乎不起作用。具体表现是，只拿两个特征做二维图时，聚类边界和四维聚类结果冲突明显。
原因：欧氏距离默认各特征地位平等，但如果特征数值范围不同，距离贡献就不平等。花瓣长度取值范围大，距离贡献就大；花萼宽度取值范围小，贡献被稀释。这个现象在真实业务数据里更严重，比如工资和年龄两列放在一起，工资的量级会直接压过年龄。
解决：聚类前做标准化，常见做法用 StandardScaler：
from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_scaled = scaler.fit_transform(X)标准化之后每个特征都是零均值、单位方差，距离贡献均匀，聚类结果会均衡很多。但要记住，标准化改变了数据解释方式，后续画图、质心解读都要基于标准化后的坐标体系，原来的厘米单位意义变弱了。工程上我习惯把原始数据留着做解释，标准化数据拿去做聚类，两条线分开管理。
4.3 K 值拍脑袋定 3，少看或无评估
还有一个很容易忽视的翻车现场：拿到 iris 就直接写 k=3，理由是“每个品种 50 个样本，所以 3 个簇”。教科书练习可以这么干，真实数据里这个逻辑靠不住，真实簇数和人类直觉可能相差很远。即使对 iris 本身，如果把三个品种的样本混杂后再重新排列，K=3 也未必是最优的。
更常见的问题是只跑一个 K，既不画惯性曲线，也不算轮廓系数，就直接拿着簇号做业务决策。一旦业务方问一句“为什么是 3 不是 4”，就没有任何依据可以回答。解决的验收习惯是把 K 从 2 到 8 都跑一遍，看出一个合理的范围，再用解释性判断锁定最终值。具体画法在下一章展开，这里想强调的不是选 K 的技巧，而是别把“拍脑袋的 K”当成唯一答案。
5. 把“能跑”升级成“可靠”：K 值选择、kmeans++ 与轮廓系数
5.1 肘部法则怎么画，轮廓系数怎么读：从 K=3 到 K≠3
确定聚类方案，第一件事是回答 K 取几。肘部法则的原理很直白：对 K 从 2 到 8 逐个跑 K-Means，记录每个 K 下的组内平方和，也就是 sklearn 里的 inertia，然后看曲线。随着 K 增大，每个点的归属越来越紧，inertia 必然下降，但在某个 K 值之后下降速度明显放缓，这个拐点就是肘部。
from sklearn.cluster import KMeans inertia_list = [] for k in range(2, 9): km = KMeans(n_clusters=k, init="k-means++", n_init=10, random_state=0) km.fit(X_scaled) inertia_list.append(km.inertia_) print(inertia_list)对 iris 标准化数据跑出来的 inertia 序列，通常在 K=3 处形成明显拐点。需要注意的是，肘部法则不一定总给出一个清晰拐点，有些数据的曲线是平滑下降的，这时候就要结合下一个指标看。
轮廓系数是另一个视角，它衡量每个样本对自己簇的归属感和对相邻簇的分离度，取值范围是 -1 到 1，越接近 1 说明聚类结构越清晰。
from sklearn.metrics import silhouette_score best_k = 2 best_score = -1.0 for k in range(2, 9): km = KMeans(n_clusters=k, init="k-means++", n_init=10, random_state=0) labels_k = km.fit_predict(X_scaled) score = silhouette_score(X_scaled, labels_k) print(f"K={k}, silhouette={score:.4f}") if score > best_score: best_k, best_score = k, score print("best k:", best_k)经常有人问，为什么最佳轮廓系数和肘部法则的结论不完全一致，这不奇怪。两个指标的评价立场不同，肘部法则关心收益衰减点，轮廓系数关心整体分离度峰值。对 iris 而言，K=3 的轮廓系数通常比 K=2 高，但可能和 K=4 互有胜负，这种时候我的选择是优先业务解释性，再参考指标。还有个细节，指标基于同一份数据的多次运行，所以务必固定种子并复用相同的预处理，否则小数位变化会让你分不清到底是模型变强了还是种子换了。
5.2 kmeans++ 与多次重启：对付局部最优的常见做法
k-means++ 是初始化技巧的改进：第一个质心从样本里均匀随机选，之后的质心按概率选择，这个概率正比于样本到已选质心距离的平方。这样初始质心天然分散，减少初始点扎堆导致的坏局部最优。sklearn 里默认就是 init="k-means++"，手写版想完整模拟的话，需要写一个加权采样流程，在初始化阶段多费一点算力，但后续收敛速度和稳定性都会好不少。
我自己早期用纯随机初始化时，经常遇到跑 10 次只有 2 次结果是合理的情况。设了 n_init=10 之后，算法会用 10 个不同初始化各跑一遍，再挑选其中惯性最小的结果。这个做法多花固定时间，但成果稳定性提高很多。业务数据做大规模样本时，可以调成 n_init=5 和更小的 max_iter，在效果与耗时之间取平衡。
这里也有一个选结果的窍门：不要通过肉眼比较簇图或者标签来挑一次运行，而是先看 inertia 再决定取哪一份结果。固定随机种子等于是给自己留一颗后悔药，任何时候都可以把同一份实验重新跑一遍。如果两个不同初始化的标签在交叉表里结构差异极大，通常说明当前 K 值不合适，而不是要不要再多跑几次的问题。
5.3 标准化到底改了什么：一个参数改变整个距离解释
前面说过，标准化能让特征对距离的贡献趋于均衡。这里补一点实操顺序问题：一定要先做标准化，再跑聚类。我一般这样写：
scaler = StandardScaler() X_scaled = scaler.fit_transform(X) km = KMeans(n_clusters=3, init="k-means++", n_init=10, random_state=0) km.fit(X_scaled)如果先聚类再标准化，那就是在改写已有距离的定义，两份结果没有比较基础。而在同一份 X_scaled 上重复跑不同 K 值时，质心的坐标顺序在 sklearn 的实现里是按均值位置排序的，这一点在写自动报告时需要知道。
还要注意一点，标准化不会改变数据集的内在交叠程度。iris 里变色鸢尾和维吉尼亚鸢尾交叠的区域，标准化之后照样交叠，它改变的是各个方向上的权重，不是数据本质的结构。把标准化当成万能解，本身就是一种误读。它的作用是让数值范围大的特征不再天然主导距离，并不意味着数据会因此变得线性可分。
因此，是否标准化的决定要在预处理阶段一次敲定，之后所有 K 值实验、指标比较都在同一白受试方案下进行。我见过有人拿未标准化的原始数据跑了四五个 K，得到一组结论，再拿标准化数据一跑结论完全变了，然后又得回头反复解释数据口径，白白浪费一下午。先固定预处理方案，再谈参数调整，这是聚类的第一优先级。
6. 我会保留的验证习惯：固定种子、对比两份簇标签表、复跑三遍
方案说得再完整，最后落地的往往是验证动作。我现在固定保留三个习惯，缺一个都不放心把结果发出去。
第一个习惯是固定随机种子。无论手写实现还是 sklearn 版，固定 random_state 或 seed 是我写进代码的第一步，而不是最后才补。这样别人拿到同一份数据，能跑出完全一样的簇号和质心，实验报告里的数字经得起复查。
第二个习惯是跑完把真实标签和簇号交叉表打印出来。我见过的不少翻车都是因为只看聚类准确率，不看交叉表。准确率是一个汇总数，交叉表才是能解释“错在哪里”的地方。没有交叉表，你和同事都回答不了“为什么把这两类混在一起”。
第三个习惯是换 3 个不同的种子复跑，对比三份交叉表的结构。如果三个种子给出的簇归属格局高度一致，结果才敢写进结论；如果每次差异很大，说明当前数据不适合直接用 K-Means，或者当前 K 值有问题。
为了快速对比，我常写一个极小脚本：
from sklearn.metrics import adjusted_rand_score scores = [] for seed in [0, 1, 42]: km = KMeans(n_clusters=3, init="k-means++", n_init=10, random_state=seed) labels_seed = km.fit_predict(X_scaled) scores.append(adjusted_rand_score(y_true, labels_seed)) print(scores)adjusted_rand_score 的范围在 -1 到 1，三个种子得到接近且较高的分数，说明聚类结果对初始化不敏感；分数起伏大，我会先把特征尺度和 K 值重新过一遍再做下一轮实验。这三个习惯帮我避掉过很多次“以为聚类已经完成，实际上初始化种子一变就面目全非”的坑。如果你拿到的只是 iris-kmeans.zip 里那段跑一遍就出图的脚本，也建议先保留这三个验证动作，再往业务数据迁移。希望帮到你。
本文还有配套的精品资源，点击获取
