基于威斯康星乳腺癌数据集实现K-Means时遇ValueError求助

问题原因 #

你的代码在构建distances数据框时维度完全搞反了：

• 计算得到的distance是长度为699的序列（对应每个样本到单个质心的距离）
• 但你错误地将distances的行索引设为了两个质心的名称（['mu_2', 'mu_4']），导致最终distances的结构是2行、699列，而非预期的699行、2列
• 这就导致distances['mu_2']和distances['mu_4']的长度仅为2，无法匹配df的699行，触发ValueError

修复方案 #

调整distances的初始化和构建逻辑，让它的行对应样本、列对应质心：

修复后的完整代码 #

import pandas as pd
import numpy as np

url = "https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data"
df = pd.read_csv(url, header=None, na_values="?")
df.columns = ['Scn', 'A2', 'A3', 'A4', 'A5', 'A6', 'A7', 'A8', 'A9', 'A10', 'Class']

# 处理缺失值：用列均值填充（原数据有16个缺失值，不处理会影响后续计算）
data = df.drop(columns=['Scn', 'Class']).fillna(df.mean())

np.random.seed(42)  # 设置固定种子保证结果可复现
centroid_indices = np.random.choice(data.index, 2, replace=False)
centroids = data.loc[centroid_indices]
centroids.index = ['mu_2', 'mu_4']

max_iterations = 50
iteration = 0
while iteration < max_iterations:
    distances = pd.DataFrame(index=data.index)  # 让distances的行索引和样本一致
    for centroid_name, centroid in centroids.iterrows():
        # 计算每个样本到当前质心的欧氏距离
        distance = ((data - centroid) ** 2).sum(axis=1) ** 0.5
        distances[centroid_name] = distance
    
    # 现在distances是699行2列，可直接匹配df的行
    df['Predicted_Class'] = np.where(distances['mu_2'] < distances['mu_4'], 2, 4)
    
    # 计算新质心，只取特征列的均值
    new_centroids = df.groupby('Predicted_Class')[data.columns].mean()
    new_centroids.index = ['mu_2', 'mu_4']  # 保持索引名称一致，方便后续比较
    
    # 检查质心是否收敛
    if new_centroids.equals(centroids):
        break  
    centroids = new_centroids
    iteration += 1

print(f"迭代次数：{iteration}")
print("最终质心：")
print(centroids)

额外优化点 #

1. 添加了缺失值处理：原数据包含16个缺失值，用列均值填充避免后续计算出错
2. 设置固定随机种子（np.random.seed(42)），保证实验结果可复现
3. 计算新质心时仅选取特征列（data.columns），避免混入Scn或Class等无关列

内容的提问来源于stack exchange，提问作者Joseph Larson