K-means聚类MATLAB实现：从算法原理到可视化完整指南

简介：一份帮助Matlab用户快速上手K-means聚类算法的代码详解文档，面向需要进行数据分组、模式识别或课程实验的初学者与科研人员。文档从欧氏距离、曼哈顿距离等常见度量方式切入，逐步展示初始化聚类中心、分配数据点、更新质心的完整迭代流程，并基于一个包含7个二维数据点的示例数据集，演示kmeans函数的具体调用方法，包括K值设定、idx与centroids的输出解读，以及利用scatter绘制的聚类着色与质心标记可视化。配套内容以单个docx文件提供，大小仅15KB，便于阅读和批注，代码部分可直接复制到Matlab中运行，注释和解析可作为工程实现的前置参考。资源还总结了K值难以预先确定、对异常值敏感、初始化随机影响结果等常见局限，并介绍了K-means++、二分K-means、核K-means等改进策略，帮助读者在掌握基础方法的同时拓宽进阶思路。目前已有442人学习该资源，适合Matlab环境下聚类分析任务和算法原理对照学习。

1. K-means 聚类 MATLAB 实现：从算法到可视化，这份代码直接能跑

如果你正在做数据分析、图像分割或者用户分群，K-means 很可能是你接触的第一个聚类算法，也大概率是你第一个想用 MATLAB 跑出可视化结果的对象。这份资源给的恰恰是一个可以零改动运行的 MATLAB 实现：给定二维数据点、指定簇数 K，调用kmeans函数完成聚类，然后用scatter把不同簇名的数据点用不同颜色展示出来，质心用黑色交叉标记标注。对于刚入门聚类算法的同学，这份代码最大的价值不是算法本身，而是一条完整的「数据 → 聚类 → 可视化 → 解读」链路。对于已经在做研究的开发者，它也是一个很好的 baseline：改数据、调 K、换距离度量、加初始化策略，都能在这份代码基础上快速迭代。接下来我会逐步拆解这段代码的每一行、每个参数以及背后的算法动机，并给出可直接替换到你自己数据上的改进版本。

2. 核心概念拆解：K-means 在 MATLAB 中到底做了什么

2.1 迭代式聚类：四步走的核心逻辑

K-means 算法做的事情一句话就能讲清：把 N 个数据点划分到 K 个簇中，让每个点离它所属簇的质心最近。但这个「最近」不是一次算完的，而是一个不断修正的过程。

算法核心步骤如下：

1. 从数据中随机选 K 个点作为初始质心
2. 计算每个数据点到 K 个质心的距离（默认欧氏距离），把点分配到距离最近的质心所在簇
3. 对每个簇，重新计算簇内所有点的均值，将该均值作为新质心
4. 重复第 2、3 步，直到质心位置不再变化，或达到最大迭代次数

MATLAB 的内置kmeans函数把这个迭代过程封装好了。你不需要手写循环，只需要传数据、告诉它 K 等于几，它会自己迭代并返回每个点的簇归属和最终质心。

2.2 距离度量：不仅仅是欧氏距离

MATLABkmeans默认使用欧氏距离（平方欧氏距离），这一点很多初学者会忽略。实际上kmeans函数支持多种距离度量，通过Distance参数控制：

• sqeuclidean：平方欧氏距离，默认值，适用于大多数连续数值型数据
• cityblock：曼哈顿距离，对异常值更鲁棒一些，适合高维稀疏数据
• cosine：余弦距离，常用于文本向量或方向敏感的数据
• correlation：相关系数距离，适合基因表达谱这类需要形状相似性的数据
• hamming：汉明距离，针对二进制数据

选择哪种距离度量，直接决定聚类结果是否符合你的业务语义。比如做文本聚类用余弦距离就比欧氏距离合理得多，因为文本向量的模长差异往往不携带语义信息。

2.3 初始化策略与 K-means++

原生 K-means 的随机初始化是一把双刃剑 — 运气好时几轮迭代就收敛，运气差时会陷入局部最优解，聚类结果完全不可用。MATLAB 的kmeans函数在 R2014a 之后默认使用kmeans++初始化策略，这算是一个不用你操心的隐形福利。

kmeans++的核心思想是：初始化时尽量让质心彼此远离。具体做法是第一个质心随机选取，后续每个质心都以与已有质心距离成正比的概率从剩余点中选取。这样初始质心的分布比纯随机更均匀，收敛速度和聚类质量都有明显提升。

如果你想看随机初始化的效果对比，可以显式设置Replicates参数，比如kmeans(data, K, 'Replicates', 5)表示用不同随机种子跑 5 次，返回误差最小的一次结果。这个技巧在数据量不大时非常实用，几乎是免费的质量提升。

3. 循序渐进实现：从随机数据到完整聚类代码

3.1 生成模拟数据：二维各向异性数据与标准化预处理

原始代码里的data只有 7 个二维点，用来验证算法能跑通没问题，但很难看出聚类的真实效果。我一般会在本地先生成一批「有重叠、有噪声、各簇密度不同」的二维数据，这样聚类结果才有讨论价值。

在生成数据之后，绝大多数场景下需要先做标准化处理。K-means 对特征尺度极其敏感——如果特征 A 的取值范围是 0 到 100，特征 B 是 0 到 1，那么距离计算会被特征 A 完全支配，聚类结果几乎等同于只按特征 A 划分。标准化的常用做法是zscore：

% 生成三个簇的模拟数据，每个簇 50 个点 rng(42); % 固定随机种子，保证结果可复现 cluster1 = randn(50, 2) * 0.5 + [2, 2]; % 围绕 (2,2) 的高斯簇 cluster2 = randn(50, 2) * 0.8 + [6, 5]; % 围绕 (6,5) 的高斯簇，方差更大 cluster3 = randn(50, 2) * 0.3 + [8, 1]; % 围绕 (8,1) 的紧凑簇 data = [cluster1; cluster2; cluster3]; % 标准化：让每个特征的均值为 0，标准差为 1 data_norm = zscore(data); % 执行 K-means 聚类，K=3 K = 3; [idx, centroids] = kmeans(data_norm, K, 'Replicates', 5); % 绘制聚类结果 figure; hold on; gscatter(data(:, 1), data(:, 2), idx, 'rgb', 'o', 8); plot(centroids(:, 1), centroids(:, 2), 'kx', 'MarkerSize', 15, 'LineWidth', 3); legend('Cluster 1', 'Cluster 2', 'Cluster 3', 'Centroids'); hold off;

这段代码里有几个值得注意的点：rng(42)固定随机种子，保证每次运行生成的数据一致，这在调试和比较不同参数时至关重要；zscore对每列做标准化处理；Replicates, 5让算法跑 5 次取最优。还有一个容易被忽略的细节——可视化时我用gscatter(data(:, 1), data(:, 2), idx)在原始数据坐标上绘图，而不是用标准化后的data_norm绘图，这样坐标轴尺度和簇的实际位置更直观。质心坐标同理，kmeans返回的质心是标准化空间中的坐标，直接画在原始空间里坐标会失真，但作为簇中心的相对位置展示，差异也在可接受范围内。

如果想让质心准确映射回原始空间，一个做法是在标准化之前保存原始数据的均值和标准差，然后把质心乘回去：

% 将质心从标准化空间映射回原始空间 mu = mean(data); sigma = std(data); centroids_orig = centroids .* sigma + mu;

3.2 距离计算与质心更新：手写版 K-means 加深理解

MATLAB 的kmeans是黑匣子，调用方便，但如果你想深入了解算法内部机制，或者需要自定义距离度量、做算法对比实验，手写一版迭代循环反而更灵活。下面这个手写版本不依赖统计工具箱，也能跑通整个流程：

% 手写 K-means 核心迭代 function [idx, centroids] = my_kmeans(data, K, max_iter) % 输入: data - NxD 矩阵，K - 簇数，max_iter - 最大迭代次数 % 输出: idx - Nx1 簇索引，centroids - KxD 质心矩阵 [N, D] = size(data); % 1. 初始化：从数据中随机选 K 个点作为初始质心 rng(42); init_idx = randperm(N, K); centroids = data(init_idx, :); % 2. 迭代更新 for iter = 1:max_iter % 分配步骤：计算每个点到所有质心的欧氏距离 dist = zeros(N, K); for k = 1:K diff = data - centroids(k, :); dist(:, k) = sum(diff.^2, 2); % 平方欧氏距离 end [~, idx] = min(dist, [], 2); % 取最近质心索引 % 更新步骤：计算每个簇的均值作为新质心 new_centroids = zeros(K, D); for k = 1:K points_in_cluster = data(idx == k, :); if ~isempty(points_in_cluster) new_centroids(k, :) = mean(points_in_cluster); else % 空簇处理：保留原质心或重新随机初始化 new_centroids(k, :) = data(randi(N), :); end end % 检查收敛：质心不再变化则提前退出 if norm(new_centroids - centroids) < 1e-6 break; end centroids = new_centroids; end end

这个手写版本包含三个细节值得展开。第一，距离计算我用sum(diff.^2, 2)而不是sqrt(sum(diff.^2, 2))，因为平方欧氏距离和欧氏距离的单调性一致，求最近质心时开根号是多余的计算。第二，空簇处理是个很容易翻车的地方——当某个簇没有分配到任何点时，mean会返回 NaN，导致后续迭代崩溃。这里的做法是重新随机选一个点作为质心。第三，收敛判断用质心变化的范数与阈值比较，阈值1e-6是一个比较合理的默认值，过小会导致算法在收敛附近多做无效迭代，过大会错失精度提升的机会。

3.3 可视化结果：散点图细节与质心标记

MATLAB 的kmeans函数在 2014a 之后默认采用 k-means++ 初始化策略，这一步省去了手动实现初始质心的麻烦。如果没有特殊需求，我建议直接使用内置函数而非手写版本。

可视化方面，用一个scatter函数展示所有数据点，用相同的颜色体系标注质心，是最直观的方式：

% 可视化聚类结果 figure; hold on; colors = lines(K); % 生成 K 种区分度高的颜色 for k = 1:K cluster_points = data(idx == k, :); scatter(cluster_points(:, 1), cluster_points(:, 2), 40, colors(k, :), 'filled'); end scatter(centroids(:, 1), centroids(:, 2), 120, 'kx', 'LineWidth', 2); title('K-means 聚类结果 (K=3)'); xlabel('X 坐标'); ylabel('Y 坐标'); grid on; hold off;

这里比原始代码多了一个细节：用lines(K)生成颜色矩阵，循环绘制每个簇的点。这样做的优势是当一个簇的点数远多于另一个簇时，legend仍然能正确对应，而原始代码中的legend('Cluster 1', 'Cluster 2')在 K 较大时写起来非常冗长；此外，grid on能让散点图的刻度更清晰，方便从坐标上读聚类簇的分布范围。

质心标记用kx（黑色交叉）加大MarkerSize，在视觉上比圆点更有区分度。如果你觉得黑色交叉不够醒目，也可以用不同形状的标记（比如菱形d、星号*），这在簇数较多时更实用。

4. 避坑指南：K-means 实践中的高频踩坑记录

4.1 坑一：K 值选错导致聚类结果完全不可解释

现象：无论怎么调整初始化策略和迭代次数，聚类结果总是「看起来不对劲」——比如把明显连续分布的数据硬切成了几块，或者两个簇之间界限模糊，质心落在一片空白区域。

原因：K 值是在聚类之前就要指定的，但在拿到真实数据时，你通常并不知道数据到底该分成几类。这是 K-means 算法最核心的局限，不属于数学推导问题，而属于模型选择问题。如果 K 选得比真实簇数小，算法会强制合并不相关的簇；如果 K 选得比真实簇数大，数据集会被无意义地切碎。

解决：常用方法是肘部法则（Elbow Method）加上业务经验判断。肘部法则就是跑多个 K 值（比如 1 到 10），记录每个 K 对应的簇内误差平方和（SSE），画出折线图，找到 SSE 下降速度骤减的「肘点」作为 K 的候选值。在 MATLAB 中实现如下：

% 使用肘部法则选择 K 值 K_max = 10; sse = zeros(K_max, 1); for K = 1:K_max [~, ~, sumd] = kmeans(data_norm, K, 'Replicates', 5); sse(K) = sum(sumd); % sumd 是每个点到所属质心的距离之和 end figure; plot(1:K_max, sse, 'bo-', 'LineWidth', 2); xlabel('K 值'); ylabel('SSE 簇内误差平方和'); title('肘部法则：选择最优 K');

需要注意的是，肘部法则在数据簇间界清晰时效果很好，簇有重叠或数据维度较高时折线的「拐点」往往并不明显。这时候我会结合silhouette函数看轮廓系数，或者直接根据业务需求定 K——比如做用户分群，业务上只需要 4 类运营策略，那就用 K=4，不必纠结统计上是否最优。

4.2 坑二：质心坐标与原始数据不在同一坐标系

现象：对数据做zscore标准化后聚类，画图时centroids坐标明显偏离真实数据点的聚集区域，离群甚至出现负坐标。

原因：kmeans返回的质心是在你传入数据所在的空间中计算的。如果你传入的是标准化后的数据，质心自然也是标准化空间中的坐标。直接把这些坐标画在原始数据散点图上，坐标系都对不上，视觉效果自然不对。

解决：绘图时要么把质心从标准化空间映射回原始空间（用之前保存的mu和sigma做线性变换），要么直接对原始数据聚类但不做标准化。我习惯的做法是：用标准化数据聚类，但在绘图时将质心反标准化，这样聚类质量不损失、可视化也准确。如果数据各特征量纲本来接近，也可以偷懒直接用原始数据聚类，但要注意这只是特例而非通则。

4.3 坑三：聚类结果每次运行都不一样

现象：同一个数据集，同一个 K 值，第一次运行和第二次运行得到的聚类结果不同，甚至簇的编号顺序都会变。

原因：kmeans默认的初始化带有随机性，即使使用kmeans++，第一步的质心也是随机选的。不同的初始质心可能导致最终收敛到不同的局部最优解，这是算法本身的特性，不是 bug。另外，rng随机种子没有固定时，每次运行的随机序列也不同。

解决：方案有两层。第一层是通过Replicates参数增加重复次数，让 MATLAB 跑多次、自动返回 SSE 最小的一次结果，这在数据量不大时几乎总能消除随机性对结果的影响。第二层是显式固定随机种子，在脚本开头调用rng(42)，保证每次运行严格可复现。我以前做实验时也踩过这个坑，后来所有实验脚本都强制在开头设置随机种子和Replicates，再也没出现过结果对不上的问题。

5. 真实场景改造：从模拟数据到业务数据的完整路径

5.1 数据预处理的取舍：标准化、降维与缺失值

把上面这份代码迁移到真实业务数据上，最容易被忽视的环节是数据预处理。真实数据通常存在几个问题：特征量纲不统一、高维稀疏、含缺失值和异常值。这些问题每一条都会直接影响聚类质量。

先说量纲问题。K-means 的距离计算把每个特征都当作平等维度来对待，但当特征的数值范围差异很大时（比如年龄 0-100、收入 0-100000），距离会被数值范围大的特征支配。这时标准化的价值就体现出来了。zscore是用的最多的方法，但要注意对某些特征分布非常偏斜的数据，zscore并不能解决偏态问题，可以考虑先做log变换再标准化，把长尾特征拉回正常范围。

再说降维。数据维度超过几十维时，直接做 K-means 往往效果会很差，因为高维空间中距离度量变得不再可靠。这时候推荐先做主成分分析：

% 高维数据先降维再聚类 [coeff, score, ~] = pca(data); data_pca = score(:, 1:min(3, size(score, 2))); % 保留前 2-3 个主成分 [idx, centroids] = kmeans(data_pca, K);

这里只保留前两个或三个主成分，一方面是为了可视化方便，另一方面是前几个主成分通常已能解释大部分方差。但要注意，降维必然会损失信息，如果 PCA 后累计方差贡献率不足 80%，建议保留更多主成分再做聚类，或者换用不适合降维场景的聚类算法。

5.2 聚类评估：轮廓系数怎么说

选完 K 值、跑完聚类之后，评估聚类质量不只是用肉眼看图。轮廓系数定义为：

对于每个数据点，计算a（该点到同簇其他点的平均距离）和b（该点到最近其他簇所有点的平均距离），轮廓系数等于(b - a) / max(a, b)。取值范围在 -1 到 1 之间，越接近 1 表示聚类越合理，接近 0 表示点在边界上，负值表示可能被分错簇。

MATLAB 的silhouette函数可以直接给出所有点的轮廓系数并画图：

% 计算轮廓系数并可视化 [~, s] = silhouette(data_norm, idx); mean_s = mean(s); fprintf('平均轮廓系数: %.4f\n', mean_s);

平均轮廓系数大于 0.5 时，聚类结果通常被认为具有合理的一致性；低于 0.2 时基本没有可信度，需要重新审视 K 值、数据预处理甚至聚类算法本身。我把轮廓系数当作一个体检指标用——每次聚类跑完都先看一眼这个数字，再决定要不要继续往深里调。

5.3 从内置 kmeans 到自定义改进：初始化方法与距离驱动

如果需要跳出 MATLAB 内置kmeans的边界做二次开发，你至少有两条路可以走。

第一条路是直接在kmeans的选项上做文章。比如设置'OnlinePhase', 'on'，让算法在批量迭代之后再做一轮逐点调整，有时能把 SSE 再压低一点。或者设置'Options', statset('Display', 'iter')打开迭代日志，观察收敛过程——这在排查「算法是不是已经收敛了但结果还是不理想」时很有用。

第二条路是改算法本身。比如实现 K-means++ 在自己的框架里，或者把距离计算换成马氏距离（Mahalanobis Distance）：

% 使用马氏距离替代欧氏距离 [idx, centroids] = kmeans(data_norm, K, 'Distance', 'mahalanobis');

马氏距离会减去均值并除以协方差，实际效果相当于先做数据白化再算欧氏距离。当数据各个维度的方差差异很大、且维度间存在相关性时，马氏距离往往能抓到欧氏距离漏掉的结构。不过代价是计算协方差矩阵的开销，数据量上万时就需要评估一下性能是否可接受。

6. 二次开发：把这段代码变成你自己的聚类工具

6.1 封装成函数：输入数据、输出带标签的散点图

你拿到的这段示例代码是脚本形式，直接改进的第一件事就是把它封装成一个可复用的函数。函数的好处很明显：同一套逻辑，换个数据集就能用，不用每次改动脚本里的变量名和数据赋值。

function [idx, centroids, fig] = run_kmeans_analysis(data, K, show_plot) % 功能: 对输入数据执行 K-means 聚类并可视化 % 输入: % data - NxD 数值矩阵，每行是一个样本 % K - 聚类簇数，正整数 % show_plot - 逻辑值，是否绘制聚类结果图 % 输出: % idx - Nx1 簇索引向量 % centroids - KxD 质心矩阵 % fig - 生成的图像句柄，可用于保存 if nargin < 3 show_plot = true; end % 标准化数据 data_norm = zscore(data); % 聚类的核心调用 [idx, centroids] = kmeans(data_norm, K, 'Replicates', 5); if show_plot % 绘图部分 fig = figure('Color', 'w', 'Position', [100, 100, 800, 600]); hold on; gscatter(data(:, 1), data(:, 2), idx); % 质心反标准化回原始坐标 mu = mean(data); sigma = std(data); centroids_orig = centroids .* sigma + mu; scatter(centroids_orig(:, 1), centroids_orig(:, 2), 150, 'k', 'x', 'LineWidth', 3); hold off; else fig = []; end end

封装时有几个点值得注意。nargin < 3处理了用户不传show_plot的情况，默认绘制图形，这是 MATLAB 函数式编程里很常见的惯例。质心反标准化的代码在之前拆解可视化时提到过，现在把它变成了正式的功能——不回退到原始坐标，图形解读就容易出偏差。另一个小细节是把figure设置成白色背景'Color', 'w'而不是 MATLAB 默认的灰色，放到论文里会更顺眼。

6.2 批量扫描 K 值：自动输出评估指标表

封装好函数之后，下一步就是把「选 K 值」这个步骤自动化。我用arrayfun配合kmeans，把 K 从 1 到 8 扫一遍，同时记录 SSE、轮廓系数和运行时间，输出一张对比表。

% 批量扫描 K 值并输出评估指标 K_values = 1:8; results = table('Size', [length(K_values), 4], ... 'VariableTypes', {'double', 'double', 'double', 'double'}, ... 'VariableNames', {'K', 'SSE', 'Silhouette', 'Time_s'}); for i = 1:length(K_values) K = K_values(i); tic; [idx, ~, sumd] = kmeans(data_norm, K, 'Replicates', 5); elapsed = toc; s = silhouette(data_norm, idx); results.K(i) = K; results.SSE(i) = sum(sumd); results.Silhouette(i) = mean(s); results.Time_s(i) = elapsed; end % 打印表格查看哪几个 K 值轮廓系数较高 disp(results);

跑完这张表，K 值选起来就有客观依据了。实际经验是：轮廓系数最高和 SSE 拐点往往不是同一个 K，这时候优先看重业务解释成本，统计指标作为参考即可。

6.3 把聚类标签接回业务逻辑

聚类本身只是第一步，真正产生价值的是后续的标签应用。现在很多数据团队的做法，是把 K-means 聚类的输出作为特征喂给后续模型，或者直接生成画像。在这个 MATLAB 代码的基础上，你可以把idx导出成 CSV，或者整合进更大的分析框架：

% 将聚类结果与原始数据一同写回文件 result_table = array2table([data, idx], 'VariableNames', ... {'Feature1', 'Feature2', 'Cluster'}); writetable(result_table, 'cluster_output.csv');

这段代码执行后得到的是一个多了一列聚类标签的数据文件，你可以对它继续做分组统计、交叉验证或喂给分类模型。从这个角度回看整个项目，这份 MATLAB 代码的价值完全不在那十几行代码本身，而在于它给你提供了一条可复制的研究思路：数据进来，先标准化，再聚类，用轮廓系数评估，把标签吸入下一步分析。我也踩过不少次坑——当时也是直接拿着别人给的代码就跑，懒得理解每一行的含义，结果换了数据集之后结果完全不对。从那以后我每次做聚类实验都强制走一遍「数据了解 → 标准化 → 多次重复聚类 → 轮廓系数验证 → 标签落地」的过程，再也没有只靠一张散点图下过结论。希望这份拆解能帮你少走这些弯路，把算法真正跑成自己的工具。

本文还有配套的精品资源，点击获取