k-means算法的一些应用

掌握了 k-means 算法的原理后，接下来最关键的步骤就是将其应用到实际数据中。本文将通过具体的代码示例，带你从零开始实现 k-means 聚类，包括数据准备、算法实现、结果可视化等完整流程，帮助你快速上手 k-means 的代码应用。

环境准备

在开始代码实现前，需要确保你的开发环境中安装了以下 Python 库，这些库是数据处理和机器学习的常用工具：

NumPy：用于数值计算和数组操作

Pandas：用于数据处理和分析

Matplotlib：用于数据可视化

Scikit-learn：提供了现成的 k-means 实现和数据预处理工具

如果尚未安装，可以通过 pip 命令快速安装：

pip install numpy pandas matplotlib scikit-learn

数据准备与预处理

k-means 算法对数据质量较为敏感，因此数据准备和预处理是至关重要的一步。我们将使用 scikit-learn 提供的模拟数据集进行演示，你也可以替换为自己的实际数据。

示例数据生成

首先，我们生成一个包含 4 个簇的二维数据集，方便后续可视化展示：

import numpy as np

import matplotlib.pyplot as plt

from sklearn.datasets import make_blobs

# 生成4个簇的模拟数据，共500个样本，每个样本2个特征

X, y_true = make_blobs(n_samples=500, centers=4, cluster_std=0.60, random_state=0)

# 可视化原始数据

plt.scatter(X[:, 0], X[:, 1], s=50)

plt.title("原始数据集分布")

plt.xlabel("特征1")

plt.ylabel("特征2")

plt.show()

运行这段代码后，你会看到一个散点图，其中包含 4 个明显的密集区域，这些区域就是我们希望通过 k-means 算法识别的簇。

数据标准化处理

如前文所述，k-means 基于距离计算，因此需要对数据进行标准化处理。使用 scikit-learn 的StandardScaler可以轻松实现：

from sklearn.preprocessing import StandardScaler

# 初始化标准化器

scaler = StandardScaler()

# 对数据进行标准化处理

X_scaled = scaler.fit_transform(X)

标准化后的数据均值为 0，标准差为 1，确保了不同特征对距离计算的影响是均衡的。

使用 Scikit-learn 实现 k-means

Scikit-learn 库提供了高效的KMeans类，封装了 k-means 算法的实现，我们可以直接调用它来进行聚类分析。

基本实现步骤

from sklearn.cluster import KMeans

# 1. 初始化k-means模型，指定簇的数量k=4

kmeans = KMeans(n_clusters=4, random_state=42)

# 2. 对标准化后的数据进行拟合

kmeans.fit(X_scaled)

# 3. 获取聚类结果标签

y_kmeans = kmeans.predict(X_scaled)

# 4. 获取最终的质心坐标

centers = kmeans.cluster_centers_

代码参数说明

n_clusters：指定簇的数量 k，这里我们已知数据包含 4 个簇，因此设置为 4

random_state：随机数种子，确保结果可复现

cluster_centers_：模型训练后得到的质心坐标，是一个形状为 (k, n_features) 的数组

predict：对新数据进行聚类预测，返回每个样本所属的簇标签

聚类结果可视化

通过可视化可以直观地观察 k-means 的聚类效果：

# 绘制聚类结果

plt.scatter(X_scaled[:, 0], X_scaled[:, 1], c=y_kmeans, s=50, cmap='viridis')

# 绘制质心位置

plt.scatter(centers[:, 0], centers[:, 1], c='red', s=200, alpha=0.75, marker='X')

plt.title("k-means聚类结果")

plt.xlabel("标准化特征1")

plt.ylabel("标准化特征2")

plt.show()

运行代码后，你会看到不同簇的样本被标记为不同颜色，红色的 "X" 标记表示每个簇的质心位置。理想情况下，同簇的样本会聚集在一起，质心位于簇的中心位置。

确定最佳 k 值的代码实现

当我们不知道数据集中实际的簇数量时，可以使用肘部法来确定最佳 k 值：

# 计算不同k值对应的SSE

sse = []

k_range = range(1, 11) # 测试k从1到10

for k in k_range:

kmeans = KMeans(n_clusters=k, random_state=42)

kmeans.fit(X_scaled)

sse.append(kmeans.inertia_) # inertia_属性表示SSE值

# 绘制肘部图

plt.plot(k_range, sse, 'bo-')

plt.xlabel('k值')

plt.ylabel('误差平方和(SSE)')

plt.title('肘部法确定最佳k值')

plt.show()

在绘制的肘部图中，当 k 值增加时，SSE 会逐渐减小；当 k 值达到真实簇数量时，SSE 的下降速度会明显减缓，形成一个 "肘部"，这个肘部对应的 k 值就是最佳选择。

实际应用案例：用户分群分析

下面以一个简化的用户分群案例展示 k-means 的实际应用流程：

1. 加载用户数据

import pandas as pd

# 假设用户数据包含两个特征：消费频率和平均消费金额

data = pd.DataFrame({

'消费频率': [12, 15, 3, 2, 20, 18, 5, 4, 19, 22, 6, 8],

'平均消费金额': [300, 350, 80, 60, 420, 380, 120, 90, 400, 450, 150, 130]

})

2. 数据标准化与聚类

# 标准化数据

scaler = StandardScaler()

data_scaled = scaler.fit_transform(data)

# 使用k=2进行聚类（假设分为高价值用户和普通用户）

kmeans = KMeans(n_clusters=2, random_state=42)

data['用户类型'] = kmeans.fit_predict(data_scaled)

# 查看聚类结果

print(data)

3. 结果分析

聚类完成后，可以通过分析不同簇的特征均值来解释聚类结果：

# 按用户类型分组计算均值

grouped = data.groupby('用户类型').mean()

print("不同用户类型的特征均值：")

print(grouped)

通过结果可以发现，0 类用户可能是消费频率低、消费金额少的普通用户，1 类用户可能是消费频率高、消费金额多的高价值用户，企业可以针对不同类型的用户制定差异化的营销策略。

注意事项与优化建议

处理高维数据：当数据维度较高时，建议先使用 PCA 等降维方法减少特征数量，既能提高效率，又能避免 "维度灾难"

多次运行取最优：由于 k-means 对初始质心敏感，实际应用中可以设置n_init参数（默认 10），多次运行后选择 SSE 最小的结果

处理离群点：在聚类前可以使用箱线图或 Z-score 方法检测并处理离群点，减少其对质心计算的影响

总结

通过本文的代码示例，你可以看到 k-means 算法的完整应用流程，包括数据预处理、模型训练、结果可视化和参数优化等关键步骤。Scikit-learn 的KMeans类提供了便捷的接口，让我们无需从零实现复杂的算法逻辑，就能快速进行聚类分析。

在实际应用中，建议结合具体业务场景选择合适的 k 值，仔细处理数据中的异常值，并通过可视化和统计分析来解释聚类结果，让 k-means 算法真正为业务决策提供支持。