如何在Python中实现类似MATLAB的、以皮尔逊相关为距离的kmeans？

1. 内置函数支持情况 #

Python主流聚类库（如sklearn.cluster.KMeans）没有直接支持correlation作为距离度量的内置参数。因为sklearn的KMeans底层基于欧氏距离做了优化，原生不支持自定义距离度量（仅能通过预计算距离矩阵实现，但效率极低）。

2. 现成自定义方案 #

有两种成熟的现成思路：

• 特征转换法：利用correlation距离的数学特性，将其转化为欧氏距离的等价形式，直接复用标准KMeans实现；
• 手动迭代法：基于scipy的correlation距离计算函数，手动实现KMeans的迭代逻辑。

3. 具体实现代码 #

方案一：特征转换后用sklearn KMeans #

correlation距离的定义为1 - 皮尔逊相关系数，而皮尔逊相关系数可通过Z-score标准化+L2归一化转换为余弦相似度，余弦相似度又与欧氏距离存在对应关系（向量归一化后，欧氏距离平方=2*(1-余弦相似度)）。通过该转换，可直接用sklearn的KMeans实现等价聚类：

import numpy as np
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler, Normalizer

# 示例数据：100个样本，10个特征
X = np.random.rand(100, 10)

# 步骤1：Z-score标准化（每个特征均值为0，方差为1）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 步骤2：L2归一化（每个样本向量模长为1）
normalizer = Normalizer(norm='l2')
X_normalized = normalizer.fit_transform(X_scaled)

# 步骤3：用欧氏距离KMeans，等价于correlation距离聚类
kmeans = KMeans(n_clusters=3, random_state=42)
labels = kmeans.fit_predict(X_normalized)

该方案效率极高，复用了sklearn优化后的KMeans实现，适合大数据集。

方案二：手动实现基于correlation距离的KMeans #

如果需要直接使用correlation距离计算，可手动实现KMeans迭代逻辑，用scipy的距离函数计算样本与中心的距离：

import numpy as np
from sklearn.metrics.pairwise import pairwise_distances

def kmeans_correlation(X, n_clusters, max_iter=100, tol=1e-4):
    # 随机初始化聚类中心
    n_samples, _ = X.shape
    centroids_idx = np.random.choice(n_samples, n_clusters, replace=False)
    centroids = X[centroids_idx].copy()
    
    for _ in range(max_iter):
        # 计算每个样本到各中心的correlation距离
        distances = pairwise_distances(X, centroids, metric='correlation')
        # 分配聚类标签
        labels = np.argmin(distances, axis=1)
        
        # 更新聚类中心：簇内样本均值（与MATLAB逻辑一致）
        new_centroids = np.array([X[labels == k].mean(axis=0) for k in range(n_clusters)])
        
        # 检查收敛：中心变化小于阈值则停止
        if np.linalg.norm(new_centroids - centroids) < tol:
            break
        centroids = new_centroids
    
    return labels, centroids

# 示例使用
X = np.random.rand(100, 10)
labels, centroids = kmeans_correlation(X, n_clusters=3)

该方案逻辑直观，完全对应MATLAB的correlation距离聚类逻辑，适合小数据集或需要自定义迭代细节的场景。

内容的提问来源于stack exchange，提问作者dhj