sklearn聚类如何提取各簇对应样本的原始标识符ID

你当前的代码逻辑里，行顺序天然是对齐的：df.to_numpy() 输出的数组行顺序和原DataFrame的行顺序完全一致，KMeans.fit_predict() 返回的标签数组y_km的元素顺序，和输入数组的行顺序严格一一对应，不需要借助to_records()做额外处理，直接按位置匹配即可。

最优实现方案 #

第一步：对齐标签到原数据 #

直接把聚类标签作为新列追加到原DataFrame，全程不改动原数据的行顺序即可保证匹配准确：

# 执行完y_km = km.fit_predict(array)后直接追加列，中间不要对df做行重排、筛选操作
df['cluster_id'] = y_km

追加完成后，DataFrame的行索引（即你读入文件时设置的identifier字段）就和对应聚类簇完成了绑定。

第二步：输出需要的格式 #

• 输出「标识符:簇ID」格式的字典：

id_cluster_dict = df['cluster_id'].to_dict()

• 导出为带标识符的文本/CSV文件：

# 导出时默认会保留行索引即identifier字段
df.to_csv('kmeans_cluster_result.csv', encoding='utf-8')

导出的CSV文件第一列为原始标识符，最后一列为对应簇编号，可直接用表格工具打开查看。

无修改原DataFrame的实现方式 #

如果你不想改动原DataFrame结构，直接通过索引和标签数组的位置配对生成映射即可：

# 按位置一一配对生成字典
id_cluster_dict = dict(zip(df.index, y_km))

注意事项 #

• 只要你在生成numpy数组到得到聚类标签的流程中，没有对原DataFrame做行删除、重排、采样等打乱行顺序的操作，上述匹配逻辑100%准确
• 如果中间做过行顺序调整，只需要保证传给KMeans的数组行顺序，和用来配对的ID列表顺序一致即可，本质是位置一一对应的关系

内容的提问来源于stack exchange，提问作者eric