如何在R中实现SPSS式自动选聚类数的两步聚类分析

SPSS的两步聚类核心是先自动筛选最优聚类数，再用k-means完成聚类。你用的prcr::create_profiles_cluster需要手动指定聚类数，确实不符合需求，下面是可行的实现方案，基于你的iris数据集示例：

第一步：自动确定最优聚类数 #

我们可以结合肘部法则、轮廓系数或Gap统计量来自动判断最优聚类数，这里以肘部法则+轮廓系数的组合为例（兼顾直观性和统计合理性）：

首先加载所需包：

library(cluster)
library(factoextra) # 辅助可视化肘部法则

然后对数据做预处理（和你原来的步骤一致）：

# 数据预处理：去除缺失值、标准化特征
daten.iris <- na.omit(iris)
daten.iris_scaled <- scale(daten.iris[, -5])

方法1：肘部法则 #

计算不同k值下的总平方和（WSS），找到曲线的拐点：

# 计算1到10类的WSS
wss <- sapply(1:10, function(k) {
  kmeans(daten.iris_scaled, centers = k, nstart = 25)$tot.withinss
})

# 可视化肘部曲线
plot(1:10, wss, type = "b", pch = 19, frame = FALSE, 
     xlab = "聚类数 k", ylab = "总类内平方和(WSS)")
abline(v = 3, lty = 2, col = "red") # 示例中拐点在k=3

方法2：轮廓系数 #

计算不同k值的平均轮廓系数，取系数最大的k：

# 计算2到10类的平均轮廓系数
sil_avg <- sapply(2:10, function(k) {
  km <- kmeans(daten.iris_scaled, centers = k, nstart = 25)
  sil <- silhouette(km$cluster, dist(daten.iris_scaled))
  mean(sil[, 3])
})

# 找到最优k
optimal_k <- which.max(sil_avg) + 1 # 因为我们从k=2开始计算
cat("最优聚类数：", optimal_k, "\n")

方法3：Gap统计量 #

通过比较实际聚类的WSS和随机数据的WSS差异确定最优k：

set.seed(123) # 保证结果可复现
gap_stat <- clusGap(daten.iris_scaled, FUN = kmeans, nstart = 25,
                    K.max = 10, B = 50) # B是随机数据的重复次数

# 可视化Gap统计量
fviz_gap_stat(gap_stat)
optimal_k_gap <- which.max(gap_stat$Tab[, "gap"])
cat("Gap统计量推荐的最优聚类数：", optimal_k_gap, "\n")

通常三种方法结果会一致（比如iris数据集最优k都是3），你可以根据自己的数据选择最适合的方法。

第二步：用k-means执行聚类 #

拿到最优聚类数后，直接调用基础包的kmeans函数完成聚类：

# 使用轮廓系数得到的最优k
set.seed(123)
km_result <- kmeans(daten.iris_scaled, centers = optimal_k, nstart = 25)

# 将聚类结果合并到原数据
daten.iris$cluster <- km_result$cluster

# 查看聚类结果
table(daten.iris$cluster, daten.iris$Species) # 对比真实标签和聚类结果

补充说明 #

• nstart = 25是为了避免k-means陷入局部最优，建议设置较大的nstart值；
• 如果你的数据包含分类变量，SPSS的两步聚类支持混合类型，但上面的方法仅针对数值型数据。如果需要处理混合类型，可以使用flexclust包的kcca函数，结合合适的距离度量（比如Gower距离）；
• 如果你想更贴近SPSS两步聚类的逻辑（先预聚类再优化），也可以先用hclust做层次聚类预分组，再用k-means细化，但通常直接用上述方法确定k后做k-means就足够。

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