Scikit-Learn KMeans聚类可视化与原数据不符问题排查

核心问题排查方向 #

从你描述的情况来看，cluster_df构建错误或前置步骤疏漏是主要原因，以下是逐一排查点：

1. 特征列选择是否准确

先确认你选择训练的两列是否完全匹配数据集列名，避免拼写错误、大小写不一致或多选列：

# 错误示例：列名拼写错误/多选无关列
X = df[['perimetre', 'asymmetry', 'area']]
# 正确操作：严格指定目标列，并用copy避免视图警告
X = df[['perimeter', 'asymmetry']].copy()

2. 特征未做标准化（KMeans核心坑点）

KMeans基于欧氏距离计算，若perimeter和asymmetry数值尺度差异极大，聚类结果会被数值大的特征主导，导致和原分类分布完全偏离。必须先标准化：

from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans

# 标准化特征
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 训练KMeans（注意n_clusters要和原数据类别数匹配）
kmeans = KMeans(n_clusters=3, random_state=42)
cluster_labels = kmeans.fit_predict(X_scaled)

3. cluster_df构建时索引是否对齐

如果合并聚类标签时索引错位，会导致标签和样本不匹配，可视化自然混乱：

# 错误示例：直接赋值但索引未对齐（比如X是numpy数组且打乱过）
cluster_df = df.copy()
cluster_df['cluster'] = cluster_labels  # 若X的样本顺序和df不一致则出错
# 正确操作：确保标签和原数据样本一一对应
# 方式1：用assign直接添加标签（X是df子集时，样本顺序一致）
cluster_df = df.assign(cluster=cluster_labels)
# 方式2：若X是numpy数组，先检查X和df的样本顺序，再赋值
cluster_df = df.copy()
cluster_df['cluster'] = kmeans.labels_  # KMeans的labels_会按训练样本顺序输出

4. 可视化时是否用了正确的列

确保聚类结果可视化和原数据可视化使用的是同一两列（perimeter和asymmetry），避免误用其他特征：

import matplotlib.pyplot as plt

# 原数据分类可视化（假设原标签列名为'class'）
plt.figure(figsize=(8, 4))
plt.subplot(1, 2, 1)
plt.scatter(df['perimeter'], df['asymmetry'], c=df['class'], cmap='viridis')
plt.xlabel('Perimeter')
plt.ylabel('Asymmetry')
plt.title('Original Class')

# 聚类结果可视化
plt.subplot(1, 2, 2)
plt.scatter(cluster_df['perimeter'], cluster_df['asymmetry'], c=cluster_df['cluster'], cmap='viridis')
plt.xlabel('Perimeter')
plt.ylabel('Asymmetry')
plt.title('KMeans Clusters')

plt.tight_layout()
plt.show()

额外检查项 #

• 确认n_clusters参数和原数据的类别数量一致，比如原数据是3类，KMeans不能设为2类；
• 检查X中是否存在缺失值，缺失值会导致聚类结果异常，可通过X.isnull().sum()查看，必要时用X.fillna(X.mean())填充。

内容的提问来源于stack exchange，提问作者Shree_ML