简介：KMeans聚类算法是无监督学习中的经典方法，这份资源面向机器学习初学者与数据分析人员，结合Python与scikit-learn完整演示了从数据加载、标准化、模型训练、预测到可视化的流程，并讨论初始质心选择、K值设定等关键问题。压缩包为rar格式，共3个文件，含2个txt说明文档与1个Python脚本，整体仅355KB；txt文档对算法步骤、数据预处理、优缺点及适用场景进行了系统梳理，py脚本注释清晰，可直接运行观察聚类边界与质心位置。已有4902人学习下载，特别适合用户分群、图像分割、文本聚类等入门实践，读者不仅能掌握KMeans的核心原理，还能获得一份可复用的聚类分析模板，为后续学习DBSCAN、谱聚类等扩展算法打下基础。
1. 拿到 KMeans 聚类算法资源后，先搞明白它到底能帮你解决什么问题
第一次接触聚类算法的人，多半是手里有一份没标签的数据，老板却急着要一个“客户分组”。KMeans 通常是被第一个翻出来的算法：原理简单、几行 sklearn 就能出图，但它也是最容易被误用的算法之一。这份资源里的 KMeans.py 是一个可以直接改路径运行的最小实现，覆盖了数据读取、标准化、训练、可视化全流程；ReadMe 里则写了运行环境和关键参数的说明。读完这篇，你不仅能看懂代码每个函数在干什么，还能知道 K 值怎么选、为什么标准化不能省、同一条数据为什么换种子结果会变。适合刚接触机器学习的从业者，也适合做用户分群、图像分割或文本聚类时不想只会跑 demo 的人。
2. KMeans 原理与 K 值选择：先说清楚每个参数在算法里到底管什么
KMeans 的核心原理其实很简单：把 N 个没有标签的样本点分成 K 组，让每个样本点离它所属簇的中心尽可能近，同时让不同簇的中心尽可能互相远离。形式上，算法在最小化簇内平方和，也就是inertia，它等于每个样本到所属质心欧氏距离的平方之和。你后续在 sklearn 里看到的kmeans.inertia_，就是这个值。理解这一点很重要，因为后面选 K、评估聚类效果、判断模型有没有收敛，看的都是它。
2.1 四个步骤与 sklearn 参数的映射关系
KMeans 的迭代过程可以拆成四步：初始化质心、分配样本、更新质心、判断是否收敛。为了让你不被 sklearn 的黑匣子挡住，我建议先看一段手写实现，哪怕你最后不会在项目里用它。它能把算法本质暴露得很清楚。
import numpy as np def simple_kmeans(X, k, max_iter=100, seed=42): # 1. 初始化：随机挑选 k 个样本作为初始质心 rng = np.random.default_rng(seed) centers = X[rng.choice(len(X), size=k, replace=False)] for i in range(max_iter): # 2. 分配：计算每个样本到各质心的距离，取最近的那个簇 dist = np.linalg.norm(X[:, None, :] - centers[None, :, :], axis=2) labels = dist.argmin(axis=1) # 3. 更新：每个簇内所有样本的均值，成为新质心 new_centers = np.array([X[labels == j].mean(axis=0) for j in range(k)]) # 4. 判断：质心变化很小，算法提前停止 if np.allclose(centers, new_centers, atol=1e-4): break centers = new_centers return labels, centers这段代码里，X[:, None, :] - centers[None, :, :]是在用广播机制把每个样本和每个质心做差，结果形状是(样本数, k, 特征数)，再做np.linalg.norm(..., axis=2)得到每个样本到 k 个质心的距离矩阵。argmin(axis=1)取距离最小的簇编号。更新步骤里X[labels == j].mean(axis=0)是求第 j 个簇内所有样本的均值向量。
如果你已经跑过 sklearn 的 KMeans，会发现核心差别在初始化：手写版是纯随机选点，而 sklearn 默认使用k-means++初始化策略，并且通过n_init参数多次尝试、取惯性最小的一次，大幅降低了“随机初始点太烂”带来的局部最优风险。所以实际项目里我不会用手写版，但理解了这段循环，你再看fit、predict、cluster_centers_、inertia_这些接口时，就知道它们内部到底在算什么。
2.2 手肘法与轮廓系数：K 值不是玄学，但也不只是数学
KMeans 有一个让人头疼的前提：必须先告诉算法“我要分成几簇”。这里的 K 不是拍脑袋定的，常见做法是在一个 K 值范围内分别训练模型，观察两个指标：惯性inertia和轮廓系数silhouette_score。惯性会随着 K 增大不断下降，因为簇越多，样本离质心越近；真正有用的是“下降速度突变”的那个拐点，也就是所谓手肘。
from sklearn.cluster import KMeans from sklearn.metrics import silhouette_score inertia_list = [] silhouette_list = [] K_range = range(2, 11) for k in K_range: km = KMeans(n_clusters=k, n_init=10, random_state=42) labels = km.fit_predict(X_scaled) inertia_list.append(km.inertia_) silhouette_list.append(silhouette_score(X_scaled, labels)) # 手肘图：横轴 K，纵轴 inertia，找下降变缓的位置 plt.plot(K_range, inertia_list, marker='o') plt.xlabel('K') plt.ylabel('inertia') plt.show() # 轮廓系数图：横轴 K，纵轴 silhouette_score，选峰值附近的 K plt.plot(K_range, silhouette_list, marker='o') plt.xlabel('K') plt.ylabel('silhouette_score') plt.show()这里X_scaled是标准化之后的数据，后面会专门讲。轮廓系数范围是 -1 到 1，数值越大代表样本越接近所在簇中心、同时越远离其他簇。但我在实际项目里通常把这两个图当作“建议值”而不是“最终答案”：真实数据的手肘往往不是那么尖锐，轮廓系数也经常有多个局部峰值，最终定 K 还是要结合业务可解释性和后续动作的成本。比如用户分群时 K=5 比 K=6 更容易给运营讲清楚，那就选 5。
2.3 初始化陷阱：k-means++ 与 random_state 的边界
KMeans 的初始化策略直接影响最终结果。纯随机选初始质心有一个明显问题：如果两个初始点靠得太近，后续迭代很容易陷入局部最优，表现为结果不稳定、inertia 偏大。sklearn 默认的init='k-means++'就是为了缓解这点：它先随机选第一个质心，再用一个与距离相关的概率分布选后续质心，让初始质心尽可能分散开。
但k-means++不是万能的。它只是让初始点“更可能”分散，不保证全局最优。所以我通常还会保留n_init=10的默认值，意思是算法会从 10 组不同初始质心出发，各跑一轮，最后取惯性最小的一组结果。如果追求极致的稳定性，可以把n_init调到 20 以上，但训练时间会线性上升。另一个经常被忽略的点是random_state：不固定它，代码每次运行结果都可能不同，这对实验对比和线上复现来说是灾难。我自己的习惯是固定random_state=42，至少在模型调试阶段必须固定；等模型上线前，再用多个种子做稳定性验证，这个问题第 4 章还会详细讲。
3. Python 实现与调参：把 KMeans 流程跑通并看懂每个参数
前面把原理讲清楚了，这章进入正题：如何把 KMeans 跑在自己的数据上。这里给出的流程和资源包里的 KMeans.py 基本一致：读取文件 → 选择数值特征 → 标准化 → 训练 → 可视化 → 输出标签。我额外加了一节模型保存与预测，因为这是从 demo 走向真实项目时绕不开的一步。
3.1 数据准备：StandardScaler 为什么必须要做
KMeans 依赖欧氏距离计算，而欧氏距离对量纲极其敏感。假设你有两个特征，一个是“年龄”（20～60），一个是“年收入”（几万到几十万），如果不做任何处理，收入会在距离计算里占据绝对主导，聚类结果基本等于“按收入分段”，年龄几乎不起作用。这不是算法错了，是输入数据的问题。
pip install numpy pandas matplotlib scikit-learn joblibimport pandas as pd import numpy as np from sklearn.preprocessing import StandardScaler # 读取数据，CSV 用 read_csv，Excel 用 read_excel data = pd.read_csv("your_data.csv") # 只保留参与聚类的数值特征 feat_cols = ["age", "income", "spend_score"] X = data[feat_cols] # 先统一量纲，让每个特征在距离计算中权重相等 scaler = StandardScaler() X_scaled = scaler.fit_transform(X)fit_transform做的事情是：先用fit统计每个特征的均值和标准差，再用transform把数据转换成均值为 0、标准差为 1 的形式。注意一个必须养成的习惯：这里的scaler对象要保存下来，用来处理后续的新数据，而不是在新数据上重新fit。至于选StandardScaler还是MinMaxScaler，我一般会先看数据分布：如果特征大致接近正态分布，标准化就可以；如果特征范围差异极大，且存在明显离群点，RobustScaler更稳，因为它用中位数和四分位距，不容易被极端值带偏。
3.2 训练、预测与可视化：代码逐行说明
数据准备好之后，训练过程本身其实只有几行代码。但容易踩坑的点都在细节里：用fit_predict还是先fit再predict、质心坐标是标准化空间里的值、画图时用什么颜色映射，下面这段代码把整个链路串起来。
from sklearn.cluster import KMeans import matplotlib.pyplot as plt k = 4 kmeans = KMeans(n_clusters=k, n_init=10, random_state=42) labels = kmeans.fit_predict(X_scaled) # 把簇标签写回原始 DataFrame，后续做分析和导出都用它 data["cluster"] = labels # 质心坐标是标准化空间里的值，直接看不好解释 print(kmeans.cluster_centers_) # 如果只用了两个特征，画散点图最直观 plt.figure(figsize=(8, 6)) scatter = plt.scatter( X_scaled[:, 0], X_scaled[:, 1], c=labels, cmap="viridis", s=30, alpha=0.7 ) plt.scatter( kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], marker="x", color="red", s=120, linewidths=2 ) plt.xlabel(feat_cols[0]) plt.ylabel(feat_cols[1]) plt.colorbar(scatter) plt.show()fit_predict等价于先fit再predict，但只适合训练这批样本时用；当有增量数据进来时，应该用已经训练好的模型去predict，否则会改变原模型结构。cluster_centers_返回的是形状为(k, n_features)的数组，每一行是一个簇的质心，但因为是标准化空间里的坐标，输出报告前通常需要scaler.inverse_transform还原成原始量纲。画图时，c=labels决定了每个点的颜色，cmap="viridis"只是配色方案，可以换。
3.3 核心参数怎么设：n_clusters、n_init、max_iter、random_state
下面这张表是 sklearn KMeans 里我每次都会确认的参数，按重要性排序。
| 参数 | 默认值 | 作用 | 常见调整方式 |
|---|---|---|---|
| n_clusters | 8 | 簇数量 | 用手肘图 + 轮廓系数 + 业务解释共同决定 |
| init | k-means++ | 初始质心策略 | 默认即可；极大数据量想提速可改 random |
| n_init | 10 | 独立运行次数，取最优 | 数据量大可降到 3～5，追求稳定可提高到 20 |
| max_iter | 300 | 单次运行迭代上限 | 一般不用动 |
| tol | 1e-4 | 收敛阈值 | 想加速可以放宽到 1e-3 |
| random_state | None | 随机种子 | 调试阶段固定为某个整数，保证可复现 |
| algorithm | lloyd | 求解算法 | sklearn 新版本推荐 lloyd；旧版本 elkan 是默认 |
n_init的直觉理解是“多试几次，挑最好的结果”，它对抗的是局部最优。max_iter是单次尝试内部的迭代上限，通常没机会触达，因为质心移动足够小时算法会提前停止。tol则是判断质心移动“够不够小”的阈值，调大一点训练会快一些，但簇质量可能微降。这些参数不是每次都要动，我一般只固定random_state，只有在速度明显瓶颈时才考虑降低n_init。
3.4 保存模型与预测新数据：joblib 全流程
训练完模型，下一步通常是要保存下来，给后续的新数据打分。这里有一个典型的理解误区：很多人把scaler和kmeans分开保存，但预测时忘了对样本用同一个标准化器，或者干脆又fit了一次。
import joblib # 保存训练好的模型和标准化器，两者要一起保存 joblib.dump(kmeans, "kmeans_model.pkl") joblib.dump(scaler, "scaler.pkl") # 新数据进来：只 transform，不重新 fit new_data = pd.read_csv("new_data.csv") new_scaled = scaler.transform(new_data[feat_cols]) new_label = kmeans.predict(new_scaled) new_data["cluster"] = new_labelscaler.transform用的是训练集上统计出来的均值和标准差，保证新旧数据处在同一个坐标系里。如果在这里调用fit_transform，新数据就会用自己的均值和标准差重算一遍，相当于坐标系变了，之前的质心位置不再匹配，分组结果自然乱套。另外还要记住：KMeans 的predict只是把新样本划分到距离最近的现有质心，它不会更新质心，不存在“在线学习”的能力。要做模型更新，常见做法是定期用旧数据加新数据重新训练一次，而不是在线上逐条预测。
4. 避坑手记：KMeans 实际使用中最常见的五个翻车现场
这章的每一条都是我在真实数据上踩过的，或者是看别人踩完后验证过的。它们有一个共同特点：代码全部能跑通，甚至图也好看，但交付时经不起追问。你可以在自己的项目里对照排查。
4.1 现象：同一份代码，跑两次结果不一样
聚类结果不稳定，簇的编号和边界都在变。原因通常是random_state没有固定，而 KMeans 的初始质心是随机的，不同初始点可能收敛到不同的局部最优解。解决方法是先固定random_state=42做开发调试，保证同事能复现；如果固定种子后依然不稳，说明数据本身的簇结构就不清晰，需要重新审视 K 的取值，或者考虑后文提到的 DBSCAN。
4.2 现象：标准化前后，聚类结果天差地别
有人拿原始数据直接聚类，发现结果与预期完全不符，比如高价值客户被分到了同一个簇，但特征均值差异并不合理。原因多半是某个量纲大的特征，比如年收入几万元和几十万元的差距，在欧氏距离里直接“碾压”了年龄和消费频次。解决方法是全部数值特征统一过StandardScaler，并且用scaler.inverse_transform(kmeans.cluster_centers_)把质心还原成原始量纲再解释。要记住：标准化不是可选项，是 KMeans 的前提，除非你确认所有特征的量纲天然一致。
4.3 现象：轮廓系数很高，但业务上完全没法解释
我遇到过 silhouette_score 达到 0.72，看起来簇分得很清楚，结果画出降维图一看，边界位置和业务方理解完全错位。原因是轮廓系数衡量的是几何距离意义上的“紧凑”和“分离”，它不关心簇的业务含义。解决方法是别只盯指标，画出实际分布，并把每个簇的特征均值列成表格，找业务方一起确认“这三个人群到底是高活跃用户、沉睡用户还是流失边缘用户”，只有业务解释通了，聚类才有价值。
4.4 现象：预测新数据时，分组结果明显对不上号
训练时明明分得挺好，拿到一批新数据预测后，全部样本被分到同一个簇，或者新旧分组比例完全不合理。常见原因是预测阶段重新fit了标准化器，相当于换了坐标系；另一个原因是新数据和训练集分布差异过大，比如训练集是电商用户在 1—3 月的消费行为，新数据却来自大促期间，特征分布完全漂移。解决方法是把kmeans和scaler一起持久化，预测时只transform和predict；同时简单统计新数据的均值、标准差，和训练集对比，差异过大就重训模型，不要硬预测。
4.5 现象：离群点把质心拉偏，正常样本被硬凑进一个大簇
聚类结果里，某个簇的中心明显偏向一个孤立点，其他样本则被勉强塞进另一个大簇。原因是 KMeans 用均值做质心，均值对极端值几乎没有抵抗力，一个离群点就能让质心移动一大截。解決方法是在训练前先做离群点筛查，常见做法是用 IQR（四分位距）或先跑一版 DBSCAN 把噪声样本标出来，从训练集中剔除后再跑 KMeans。但要注意区分“数据错误导致的异常”和“业务上合理的小众群体”，后者不应该被直接删掉，可以考虑单独建簇。
5. 场景落地：用户分群、图像分割与文本聚类的实际套路
KMeans 不是只能在二维散点图上画圈，它的典型应用集中在三个方向：用户分群、图像分割、文本聚类。每个场景都有自己特定的数据形态，处理方式差异很大，下面逐个说。
5.1 用户分群：基于 RFM 特征的客户分层流程
用户分群是 KMeans 在业务中最常见的落地场景。通常用 RFM 模型构造特征：recency是最近一次消费距离今天的天数，frequency是消费频率，monetary是累计消费金额。这三个特征量纲完全不同，尤其是金额和天数，标准化是必须的。
rfm = pd.read_csv("rfm_data.csv") X = rfm[["recency", "frequency", "monetary"]] scaler = StandardScaler() X_scaled = scaler.fit_transform(X) km = KMeans(n_clusters=4, n_init=10, random_state=42) rfm["cluster"] = km.fit_predict(X_scaled) # 看每个簇的业务画像，groupby 后取均值 profile = rfm.groupby("cluster").agg({ "recency": "mean", "frequency": "mean", "monetary": "mean", "cluster": "count" }).rename(columns={"cluster": "size"}) print(profile)groupby("cluster").agg会输出每个簇下的平均最近消费天数、平均消费频率、平均金额和人数。这组数直接喂给运营，按数值高低就能翻译成“高价值高活跃”“高价值沉睡”“低价值活跃”等业务标签。有一个细节我每次都会提醒：如果原始数据里有大量从未消费的用户，金额全为 0 甚至缺失，这类样本会显著干扰聚类，常见做法是先按业务规则单独划分出来，再对剩余用户做 KMeans。
5.2 图像分割：把像素当作特征点来做压缩与分区
图像分割是 KMeans 一个很有说服力的用法：把每个像素的 RGB 值当成一个三维特征点，整张图就是几十万到几百万个点，聚类后每个像素点被贴上簇标签，再用簇中心的颜色替换原像素颜色，就得到了分割或压缩后的图像。
import numpy as np import matplotlib.image as mpimg from sklearn.cluster import KMeans img = mpimg.imread("demo.jpg") h, w, c = img.shape pixels = img.reshape(-1, c).astype(np.float64) # 像素数量通常很大，先采样训练，再预测全部像素，能省大量时间 sample_idx = np.random.default_rng(0).choice(len(pixels), size=10000, replace=False) km = KMeans(n_clusters=5, n_init=5, random_state=42) km.fit(pixels[sample_idx]) labels = km.predict(pixels) segmented_img = km.cluster_centers_[labels].reshape(h, w, c).astype(np.uint8)这里pixels的形状是(h*w, c)，c通常是 3（RGB）。先采样 1 万个像素点训练，再把所有像素交给predict，是因为一张 1920×1080 的图有约 200 万个像素，直接全量训练耗时和内存开销都不划算。最后km.cluster_centers_[labels]把每个像素的标签映射回质心颜色，重新reshape成图像尺寸就完成了分割。实际经验是，RGB 空间的欧氏距离与人的颜色感知不完全一致，处理自然图像时可以先转成 LAB 色彩空间再聚类，效果往往更接近肉眼的分区结果。
5.3 文本聚类：TF-IDF 向量化之后，别漏掉 L2 归一化
文本聚类的基础流程是：先用 TF-IDF 把文本转成向量，再做聚类。这里有一个容易忽略的细节：TF-IDF 矩阵通常非常稀疏，而且文档长度差异大，直接用StandardScaler只会让矩阵更稀疏，应该用Normalizer做 L2 归一化，让每个文档向量的模长为 1。
from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.preprocessing import Normalizer from sklearn.cluster import KMeans docs = [] # 你的中文/英文文本列表 vec = TfidfVectorizer(max_features=5000) X_tfidf = vec.fit_transform(docs) X_norm = Normalizer().fit_transform(X_tfidf) km = KMeans(n_clusters=5, n_init=10, random_state=42) labels = km.fit_predict(X_norm) # 每个簇输出 top 关键词 order_centroids = km.cluster_centers_.argsort()[:, ::-1] terms = vec.get_feature_names_out() for i in range(5): top_words = [terms[idx] for idx in order_centroids[i, :10]] print(f"cluster {i}: {top_words}")argsort()[:, ::-1]的作用是把每个簇的质心向量按特征权重从大到小排列，取前 10 个对应的词，就是该簇的代表性关键词。max_features=5000限制了词表规模，避免维度过高拖慢训练。文本聚类里，分词质量比算法本身更决定成败，比如中文文本直接用原始字符串做 TF-IDF 基本不可用，要先分词再组装成以空格分隔的词语文本。另外，如果你的语料有明显的停用词，比如“的”“了”“和”，应该在向量化阶段就把它们过滤掉，否则这些词会频繁出现在多个簇的 top 关键词里，干扰主题解读。
5.4 与 DBSCAN 对比：什么时候你根本不该用 KMeans
KMeans 不是银弹。它默认数据簇是近似球形的、密度接近的，如果你手头的数据形状不规则，KMeans 再调参效果也有限。这里把 KMeans 和 DBSCAN 做个对比，方便你在项目一开始就选对算法。
| 维度 | KMeans | DBSCAN 聚类算法 |
|---|---|---|
| 簇形状 | 适合凸形、球形簇 | 可以发现任意形状簇 |
| 簇数量 K | 必须预先指定 | 不需要指定 |
| 离群点 | 敏感，会拉偏质心 | 自动标记为噪声点 |
| 数据规模 | 百万级样本也能跑 | 大样本时距离计算压力大 |
| 高维稀疏数据 | 尚可 | 距离度量容易失效 |
判断条件其实很简单：如果你不知道 K 值、但数据中明显有“离群点”和“不规则形状”，用 DBSCAN；如果你的数据是典型的用户行为评分、商品属性，簇的形状相对圆润，且需要稳定的 K 值输出给业务，KMeans 更合适。DBSCAN 的调参难点在eps和min_samples两个参数，eps的直观含义是“多大范围内算邻居”，选得不好结果波动很大，常见做法是画 k 距离曲线找拐点。KMeans 容易上手，但这正是它被滥用的原因，选哪个不取决于哪个“更好”，取决于你的数据长什么样。
6. 交付前最后一遍验证：簇画像、稳定性检查与结果解释
聚类模型训练完，不代表可以立刻交付。我见过太多“代码跑通、图画好，一追问细节就翻车”的项目，所以每次交付前，我都会用一套极简的流程做最终校验，这里把它完整分享出来。
6.1 簇画像输出
不要只说“分了 4 个簇”，要输出每个簇的样本占比、特征均值和关键指标对比。这一步用groupby就能完成，关键是要把标准化空间的质心还原到原始量纲，否则业务方看着一堆负数均值无法交流。我的习惯是：一张表列出每个簇的样本数量、占比、各特征均值，再起一个业务名，比如“高活跃高客单”“沉睡腰部用户”，贴到交付文档第一页。
6.2 稳定性验证
换几个不同的random_state重新训练，观察簇的分布是否基本一致。具体做法是跑 5 个种子，统计每个样本在多次运行中是否被分到同一个簇；如果超过 10% 的样本在不同种子下摇摆，就说明聚类结构本身不稳定，需要调整 K 值或换算法。
from collections import Counter def stability_check(X, k=4, seeds=[0, 1, 2, 3, 4]): labels_matrix = [] for seed in seeds: km = KMeans(n_clusters=k, n_init=10, random_state=seed) labels_matrix.append(km.fit_predict(X)) stable_ratio = 0.0 for i in range(X.shape[0]): votes = Counter([labels[i] for labels in labels_matrix]) stable_ratio += max(votes.values()) / len(seeds) return stable_ratio / X.shape[0]这段脚本的Counter统计每个样本在多个种子下的簇编号，max(votes.values())是多数投票的票数占比。返回值接近 1 代表结果稳定，明显低于 0.9 就说明模型对初始条件敏感。这个验证只花几分钟，能避免“换一个随机种子，整个结论都变了”的尴尬。
其实我刚开始做聚类时，不习惯做这些检查，直到有一次客户分群交付后，业务方重新跑了一遍脚本，发现换种子后两个高价值人群占比完全变了，结论没法用。从那以后，我每次聚类交付前都强制走一遍：画分布、看轮廓系数、列出簇画像、换种子做稳定性验证。这套流程不复杂，但能挡住绝大多数“代码能跑、结果不可信”的问题。希望帮到你。
本文还有配套的精品资源，点击获取
