使用pyclustering执行Fuzzy C-Means聚类时如何获取聚类标签？

针对你使用pyclustering的FCM算法获取样本聚类标签的需求，有两种直接的实现方式：

方法1：从聚类结果生成标签数组 #

fcm_instance.get_clusters()返回的是各簇包含的样本索引列表，我们可以通过遍历这些索引，为每个样本分配对应的簇编号：

import numpy as np
import pandas as pd
from pyclustering.cluster.center_initializer import kmeans_plusplus_initializer
from pyclustering.cluster.fcm import fcm
import random

# 生成测试数据
coords = [(random.random()*2.0, random.random()*2.0) for _ in range(100)]
dfcluster = pd.DataFrame(coords, columns = ['x','y'])
sample = dfcluster.to_numpy()

# 初始化聚类中心
initial_centers = kmeans_plusplus_initializer(sample, 5, kmeans_plusplus_initializer.FARTHEST_CENTER_CANDIDATE).initialize()

# 执行FCM聚类
fcm_instance = fcm(sample, initial_centers)
fcm_instance.process()
clusters = fcm_instance.get_clusters()

# 生成每个样本的聚类标签
labels = np.zeros(len(sample), dtype=int)
for cluster_id, sample_indices in enumerate(clusters):
    for idx in sample_indices:
        labels[idx] = cluster_id

# 将标签加入原DataFrame
dfcluster['cluster_label'] = labels
print(dfcluster.head())

方法2：通过隶属度矩阵生成硬标签 #

FCM算法的核心输出是隶属度矩阵，每个样本对应所有簇的隶属度值（范围0-1）。你可以通过get_membership()获取该矩阵，然后取每个样本隶属度最高的簇作为硬标签：

# 获取隶属度矩阵（形状：[样本数量, 簇数量]）
membership_matrix = fcm_instance.get_membership()

# 对每个样本取隶属度最大的簇ID作为标签
labels_from_membership = np.argmax(membership_matrix, axis=1)

# 加入DataFrame
dfcluster['cluster_label_from_membership'] = labels_from_membership
print(dfcluster.head())

补充说明 #

• 两种方法生成的硬标签结果一致，get_clusters()内部就是基于隶属度阈值或最大隶属度划分的簇。
• 如果你需要保留模糊聚类的特性，可以直接使用隶属度矩阵分析样本对各簇的归属程度；若需要明确的分类结果，上述硬标签生成方式即可满足需求。

内容的提问来源于stack exchange，提问作者I_Al-thamary