为何使用sklearn KMeans拟合模型后数据集发生改变？

你的数据集变化不是KMeans导致的，是预处理阶段的独热编码操作错误，加上参数拼写问题，具体问题和解决方法如下：

核心问题 #

1. 独热编码赋值错误：OneHotEncoder处理二元分类变量Private时，会生成2列结果（比如Private_Yes和Private_No），但你直接把二维数组赋值给data["Private"]这一列，导致该列每个单元格变成了长度为2的数组，直接破坏了数据集结构。
2. KMeans参数拼写错误：代码里写的是n_cluster，正确参数名是n_clusters，运行时会直接报错。

修正后的完整代码 #

# 复制原数据，避免破坏原始数据集
data_processed = data.copy()

# 标准化数值变量
num_vars = data_processed.columns[1:]
scaler = StandardScaler()
data_processed[num_vars] = scaler.fit_transform(data_processed[num_vars])

# 正确执行独热编码
ohe = OneHotEncoder(sparse_output=False)
# 对Private列编码，得到二维数组
private_encoded = ohe.fit_transform(data_processed[["Private"]])
# 将编码后的列添加到数据集，用自动生成的列名（如Private_Yes、Private_No）
data_processed[ohe.get_feature_names_out(["Private"])] = private_encoded
# 删除原Private列
data_processed.drop("Private", axis=1, inplace=True)

# 初始化KMeans（修正参数名，添加random_state保证结果可复现）
km = KMeans(n_clusters=6, random_state=42)
# 用处理好的特征矩阵拟合模型
km.fit(data_processed)

# 可选：将聚类标签加入数据集
data_processed["cluster_label"] = km.labels_

补充说明 #

• KMeans的fit()方法不会修改输入数据集，它只计算聚类中心和标签，你看到的数据集变化完全是预处理时错误赋值独热编码导致的。
• 处理分类变量时，尽量避免直接修改原数据集的列结构，用复制后的数据集操作更安全。

内容的提问来源于stack exchange，提问作者Mina