你需要的是结合空间近邻性+属性权重累积和约束的聚类——普通K-Means或层次聚类只关注空间距离，没法满足每组权重和接近预设值X=2的要求。下面我会给出针对性的实现方案，用贪心策略完成这个约束聚类，同时保证聚类内的点都是空间近邻。

先梳理数据基础 #

首先我们先确认你的数据权重总和：

sum(weight) # 输出：6.65

要分成3组，每组目标权重和为2，总目标和是6，剩下0.65的差异需要合理分配。我们可以设置一个小的误差容忍（比如10%），避免出现无法凑够目标值的情况。

自定义约束聚类实现 #

这里我写一个贪心聚类函数，核心逻辑很直观：

• 优先从权重最大的未聚类点开始作为聚类起点
• 不断加入该聚类的最近未聚类邻点，直到权重和接近目标值X=2（允许小范围超出）
• 重复这个过程直到所有点都被聚类

# 加载所需包
library(sp)
library(geosphere)

# 自定义空间近邻+权重约束的贪心聚类函数
constrained_spatial_clustering <- function(sp_df, weight_col, target_sum, dist_matrix, error_tol = 0.1) {
  n <- nrow(sp_df)
  clustered <- rep(FALSE, n)
  clusters <- list()
  cluster_id <- 1
  
  while(sum(clustered) < n) {
    # 选未聚类点中权重最大的作为起始点
    unclustered_idx <- which(!clustered)
    start_idx <- unclustered_idx[which.max(sp_df@data[unclustered_idx, weight_col])]
    
    current_cluster <- c(start_idx)
    current_sum <- sp_df@data[start_idx, weight_col]
    clustered[start_idx] <- TRUE
    
    # 迭代加入最近邻点，直到权重和接近目标值
    while(current_sum < target_sum) {
      unclustered_neighbors <- which(!clustered)
      if(length(unclustered_neighbors) == 0) break
      
      # 找到当前聚类到所有未聚类点的最小距离，选最近的点
      dist_to_neighbors <- apply(dist_matrix[current_cluster, unclustered_neighbors], 2, min)
      nearest_neighbor <- unclustered_neighbors[which.min(dist_to_neighbors)]
      
      # 检查加入后是否在误差容忍范围内
      if(current_sum + sp_df@data[nearest_neighbor, weight_col] <= target_sum * (1 + error_tol)) {
        current_cluster <- c(current_cluster, nearest_neighbor)
        current_sum <- current_sum + sp_df@data[nearest_neighbor, weight_col]
        clustered[nearest_neighbor] <- TRUE
      } else {
        break
      }
    }
    
    clusters[[cluster_id]] <- current_cluster
    cluster_id <- cluster_id + 1
  }
  
  # 给原数据添加聚类ID
  sp_df$constrained_clust <- 0
  for(i in seq_along(clusters)) {
    sp_df$constrained_clust[clusters[[i]]] <- i
  }
  
  return(sp_df)
}

# 应用函数到你的数据
xy_constrained <- constrained_spatial_clustering(xy, "weight", target_sum = 2, dist_matrix = mdist)

# 查看每组的权重累积和
tapply(xy_constrained@data$weight, xy_constrained@data$constrained_clust, sum)

# 查看完整聚类结果
print(xy_constrained@data)

结果说明 #

运行代码后，你会得到满足两个核心要求的聚类：

1. 每个聚类内的点都是空间近邻（因为每次都优先加入最近的未聚类点）
2. 每组的权重累积和会尽可能接近2，误差控制在你设置的范围内（默认10%）

你可以对比原来的层次聚类结果，看看差异：

# 原层次聚类的权重和
tapply(xy$weight, xy$clust, sum)

会发现自定义的约束聚类结果更贴合你预设的权重目标。

进阶优化（可选） #

如果需要更精确的权重和匹配，可以考虑用整数线性规划（比如lpSolve包）：定义目标函数为最小化每组权重和与X的平方差，同时约束每个点只能属于一个聚类、聚类内点的空间距离小于预设阈值（保证近邻性）。不过这种方法实现更复杂，对于小数据集来说，贪心策略已经足够高效实用。

内容的提问来源于stack exchange，提问作者NEXUSAG