K-means聚类分组统计结果与Statistica不符，代码正确性咨询

首先，你的代码逻辑框架是正确的，但存在几个明显的问题和可能导致与Statistica结果不一致的原因，下面逐一拆解：

1. 代码中的直接错误 #

你在打印cardio == 0 count()时，实际计算的是cardio ==1的数量，这是明显的逻辑错误：

print('cardio == 0 count() for each cluster')
for x in X:
    check = clusterDB_1[kmeans.labels_ == x]
    print(len(check[check['cardio'] == 1]))  # 这里应该是 ==0

这个错误会直接导致你得到的cardio计数结果和预期不符。

2. 导致与Statistica结果不一致的核心原因 #

（1）KMeans的随机性差异 #

scikit-learn的KMeans默认使用随机初始化质心（init='k-means++'但仍有随机性），且默认n_init=10（运行10次取最优结果），而Statistica可能使用了不同的初始化策略、固定了随机种子，或者运行次数不同。这会导致聚类分组完全不同，最终统计量自然不一致。

解决方法：固定随机种子，确保聚类结果可复现：

kmeans = KMeans(n_clusters=8, random_state=42, n_init='auto').fit(clusterDB_1)

random_state=42固定随机种子，n_init='auto'让sklearn自动选择合适的运行次数（避免旧版本默认值差异）。

（2）数据预处理差异 #

检查Statistica是否对数据做了预处理：

• Age字段单位：你的数据集里Age可能是以天为单位（比如值在10000以上），Statistica可能将其转换为了年（除以365），而你在Python中直接使用原始值计算均值，这会导致Age的均值差异极大。
• 数据标准化/归一化：Statistica可能对Age、BMI做了标准化（比如Z-score）后再聚类，而你直接使用原始数据聚类，这会因为特征尺度差异（Age数值远大于BMI）导致聚类偏向Age维度，结果自然不同。

（3）聚类数量与参数匹配 #

确认Statistica中设置的聚类数是否也是8，以及是否有其他参数差异（比如距离度量，sklearn默认是欧氏距离，Statistica是否用了相同的距离）。

3. 优化后的代码（更高效且正确） #

你可以不用多次循环，直接将聚类标签合并到数据框中，然后用groupby一次性计算所有需要的统计量，更简洁且不易出错：

import pandas as pd
from sklearn.cluster import KMeans

# 读取数据
dataset = pd.read_csv("C:/Users/../cardio_train_py.csv", sep=';')
clusterDB_1 = dataset[['Age','BMI','cardio']].copy()

# 固定随机种子，确保聚类结果可复现
kmeans = KMeans(n_clusters=8, random_state=42, n_init='auto').fit(clusterDB_1)

# 将聚类标签加入数据框
clusterDB_1['cluster_label'] = kmeans.labels_

# 一次性计算所有统计量
cluster_stats = clusterDB_1.groupby('cluster_label').agg(
    Age_mean=('Age', 'mean'),
    Age_min=('Age', 'min'),
    Age_max=('Age', 'max'),
    Age_std=('Age', 'std'),
    BMI_mean=('BMI', 'mean'),
    BMI_min=('BMI', 'min'),
    BMI_max=('BMI', 'max'),
    BMI_std=('BMI', 'std'),
    cardio_0_count=('cardio', lambda x: (x == 0).sum()),
    cardio_1_count=('cardio', lambda x: (x == 1).sum())
)

print(cluster_stats)

4. 验证你的BMI结果异常 #

你给出的Python计算BMI结果中有一个值是166.57，这明显异常，说明你的数据集中可能存在BMI的异常值（比如输入错误），建议先检查数据：

print(clusterDB_1['BMI'].describe())
print(clusterDB_1[clusterDB_1['BMI'] > 100])  # 找出异常大的BMI值

这个异常值会严重影响聚类结果和统计量，Statistica可能自动过滤了异常值，而你的Python代码没有处理，这也是结果不一致的可能原因之一。

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