如何通过sklearn的SpectralClustering输出对原始节点标签分组？

完全可以实现，不需要更换谱聚类方法——你需要的只是对聚类输出的标签和原始节点做配对分组，用Python基础语法或者简单工具就能搞定，和Sklearn本身无关。

核心实现代码 #

针对你给出的例子，直接用字典（或者collections.defaultdict）就能快速分组：

方法1：基础字典实现

nodes = [1, 2, 3]
labels = [1, 0, 1]

# 初始化空字典存储分组
cluster_groups = {}
# 遍历节点和对应的标签，按标签归类
for node, label in zip(nodes, labels):
    if label not in cluster_groups:
        cluster_groups[label] = []
    cluster_groups[label].append(node)

# 提取最终分组结果（转成列表格式）
result = list(cluster_groups.values())
print(result)  # 输出: [[1, 3], [2]]

方法2：用collections.defaultdict简化代码

如果觉得上面的判断步骤麻烦，可以用defaultdict自动初始化列表：

from collections import defaultdict

nodes = [1, 2, 3]
labels = [1, 0, 1]

cluster_groups = defaultdict(list)
for node, label in zip(nodes, labels):
    cluster_groups[label].append(node)

result = list(cluster_groups.values())
print(result)  # 输出: [[1, 3], [2]]

给Python新手的建议 #

1. 无需更换谱聚类方法：Sklearn的SpectralClustering输出的标签格式是标准聚类结果格式，你的需求只是后续的数据整理，和算法本身无关。
2. 标签数值无特殊含义：聚类标签的数字（比如0、1）只是类别标识，不代表优先级或大小，分组时不用纠结数字顺序。
3. 扩展到复杂节点场景：如果你的节点是DataFrame行、字符串或其他复杂结构，只需把nodes换成对应的元素（比如DataFrame索引、具体字段值），逻辑完全一致。
4. 夯实基础数据结构：字典、列表推导式这类基础工具是处理机器学习结果的常用手段，新手可以多练习这类操作。

内容的提问来源于stack exchange，提问作者Emeline