如何在tslearn soft-dtw/dtw聚类中计算各簇centroid

tslearn的TimeSeriesKMeans实现里，文档提到的**barycenter（时间序列重心）**就是非欧氏度量（DTW/soft-DTW）空间下的聚类簇centroid（质心），不需要额外找独立的centroid计算接口，模型训练完成后可以直接读取内置属性获取。

具体使用方式 #

• 训练完成的TimeSeriesKMeans实例自带cluster_centers_属性，直接访问即可得到所有簇的质心，返回数组形状为(n_clusters, 序列长度, 特征维度)，数组索引和簇标签一一对应：km.cluster_centers_[i]就是标签为i的簇对应的质心时间序列。
• 如果需要手动对某一组时间序列计算对应度量下的barycenter，可以直接导入tslearn内置的barycenter计算函数：使用soft-DTW度量时调用softdtw_barycenter，使用普通DTW度量时调用dtw_barycenter_average即可，注意计算时的参数要和聚类时传入的参数保持一致，结果会和模型内置的质心完全匹配。

适配后的代码示例 #

在你原有代码基础上增加质心读取逻辑即可，参考如下：

from tslearn.clustering import TimeSeriesKMeans
from tslearn.metrics import silhouette_score
# 若需要手动计算barycenter可按需导入
# from tslearn.barycenters import softdtw_barycenter

num_of_clusters_list = []
silhouetteScore_list = []

for j in [2, 3]:  # 分别尝试2、3个簇的聚类效果
    km = TimeSeriesKMeans(n_clusters=j, metric="softdtw", random_state=42)
    labels = km.fit_predict(ts_intention_list)
    silhouetteScore = silhouette_score(ts_intention_list, labels, metric="softdtw")
    print(f"\nLabels for {j} clusters: {labels}")

    # 读取所有聚类簇的质心
    centroids = km.cluster_centers_
    for cid in range(j):
        print(f"簇{cid}的质心序列维度：{centroids[cid].shape}")

    # 手动计算barycenter的验证逻辑（可选）
    # gamma_val = km.gamma
    # for cid in range(j):
    #     cluster_samples = [ts_intention_list[idx] for idx in range(len(labels)) if labels[idx] == cid]
    #     manual_cal_centroid = softdtw_barycenter(cluster_samples, gamma=gamma_val)

    num_of_clusters_list.append(j)
    silhouetteScore_list.append(silhouetteScore)
    print(f"{j} clusters, score is {silhouetteScore}")

注意点 #

• 初始化TimeSeriesKMeans时建议传入固定的random_state参数，避免每次运行聚类结果随机浮动，保证质心结果可复现。
• 不管使用softdtw还是dtw作为聚类度量，cluster_centers_属性都会返回对应度量下计算得到的barycenter作为簇质心，调用逻辑没有区别。
• 手动调用barycenter函数计算时，要保证度量相关参数（比如soft-DTW的gamma值）和聚类时使用的参数完全一致，否则计算结果会和模型输出的质心存在偏差。

内容的提问来源于stack exchange，提问作者Paul726