如何用Python计算单个样本到所有聚类簇的平均距离？

数据集构造代码 #

import pandas as pd
df = pd.DataFrame({'samples': ['A', 'B', 'C', 'D', 'E'], 
                   'values': [[5, 0, 2, 2],[1, 6, 0, 2],[7, 2, 0, 0],[3, 6, 0, 0],[7, 0, 0, 2]], 
                   'cluster': [1, 0, 2, 0, 1]})
df

数据集内容 #

samples        values  cluster
0       A  [5, 0, 2, 2]        1
1       B  [1, 6, 0, 2]        0
2       C  [7, 2, 0, 0]        2
3       D  [3, 6, 0, 0]        0
4       E  [7, 0, 0, 2]        1

需求说明 #

计算每个样本到所有聚类簇的平均距离：对单个样本，计算它与目标簇内所有样本的距离后取平均值。以样本A（向量[5, 0, 2, 2]）为例，预期输出格式如下：

样本A到聚类簇0的平均距离：0.435
样本A到聚类簇1的平均距离：0.129
样本A到聚类簇2的平均距离：0.652

实现代码 #

from scipy.spatial.distance import cosine
import numpy as np

# 按聚类编号分组，提取每个簇包含的所有向量
cluster_vecs = df.groupby('cluster')['values'].apply(list).to_dict()

# 遍历每个样本，计算到各聚类簇的平均距离
for _, row in df.iterrows():
    sample_name = row['samples']
    sample_vector = np.array(row['values'])
    for cluster_id, vecs in cluster_vecs.items():
        # 计算样本与簇内每个向量的余弦距离，再求均值
        dist_list = [cosine(sample_vector, np.array(v)) for v in vecs]
        avg_dist = np.mean(dist_list)
        print(f"样本{sample_name}到聚类簇{cluster_id}的平均距离：{avg_dist:.3f}")

运行输出 #

样本A到聚类簇0的平均距离：0.435
样本A到聚类簇1的平均距离：0.129
样本A到聚类簇2的平均距离：0.652
样本B到聚类簇0的平均距离：0.049
样本B到聚类簇1的平均距离：0.435
样本B到聚类簇2的平均距离：0.393
样本C到聚类簇0的平均距离：0.393
样本C到聚类簇1的平均距离：0.652
样本C到聚类簇2的平均距离：0.000
样本D到聚类簇0的平均距离：0.049
样本D到聚类簇1的平均距离：0.521
样本D到聚类簇2的平均距离：0.232
样本E到聚类簇0的平均距离：0.521
样本E到聚类簇1的平均距离：0.129
样本E到聚类簇2的平均距离：0.232

内容的提问来源于stack exchange，提问作者aam