K-Means聚类后如何统计各簇样本数及default列0/1数量？

问题背景 #

现有数据集包含gender、education、age、years of marriage、amount spent5列特征，执行K=5的K-Means聚类后，能正常统计各簇样本总数，但统计default列的0/1数量时出现报错：KeyError: 'Column not found: DEFAULT'。

报错原因 #

从代码逻辑来看：

• 用于训练K-Means的data_norm1仅包含上述5列特征，未包含default列
• 后续生成的df1_norm是基于data_norm1创建的，因此也没有default列
• 此前分组default列用的是原始数据集df，但该数据集和聚类后的df1_norm未关联

解决步骤 #

1. 将default列合并到聚类结果中 #

如果原始数据集df和聚类后的df1_norm行顺序完全一致，直接添加列即可：

# 把原始df中的default列加入聚类结果df1_norm
df1_norm['default'] = df['default']

若担心行顺序不一致，可先重置索引再合并：

# 重置索引确保两行数据对齐
df = df.reset_index(drop=True)
df1_norm = df1_norm.reset_index(drop=True)

# 合并default列
df1_norm = pd.concat([df1_norm, df['default']], axis=1)

2. 统计各簇的default分布 #

添加列后，即可完成统计：

# 统计每个簇的样本总数
cluster_counts = df1_norm.groupby('Cluster1').size()

# 统计每个簇中default=0和default=1的数量
default_dist = df1_norm.groupby('Cluster1')['default'].value_counts().unstack(fill_value=0)

# 计算每个簇中default=1的占比（mean值即为1的比例）
default_1_ratio = df1_norm.groupby('Cluster1')['default'].mean()

内容的提问来源于stack exchange，提问作者unleasehed