K-means多次运行的聚类中心数组如何正确计算均值与中位数中心

代码返回单个标量结果由两个numpy用法错误导致：

• 调用np.mean(center_array)时未指定axis参数，numpy默认将输入所有元素展平为一维数组计算全局平均值，仅返回单个数值
• 对标量形式的全局均值结果调用np.vectorize(np.mean)属于无效操作，无法输出按维度、按聚类划分的中心结果

计算前需先解决两个前置问题，否则即使修正numpy参数也会得到错误结果：

• 数组结构不规则：从给出的样例看，第一次K-means运行输出3个12维聚类中心，第二次仅输出1个，需先确认K值设置固定，排查是否存在运行时聚类收敛异常、聚类数不一致的问题
• 聚类标签未对齐：K-means每次运行输出的聚类序号为随机排列，单次运行输出的0号聚类中心，在其他次运行中可能对应2号聚类，直接跨运行计算均值/中位数会完全失真，需先用匈牙利算法等匹配方法，将每次运行的聚类中心与基准中心做最小距离匹配，保证同序号中心对应同一真实聚类

1. 规整数组结构：将100次对齐后的聚类中心整理为形状为(n_runs, n_clusters, n_features)的三维numpy数组，若固定K=3、特征数12、共运行100次，数组标准形状为(100, 3, 12)
2. 计算平均中心：沿运行次数维度（第0轴）计算均值，代码如下：

# centers_all为对齐规整后的三维聚类中心数组
mean_centers = np.mean(centers_all, axis=0)

输出结果mean_centers形状为(3,12)，对应3个聚类各特征维度的平均中心。
3. 计算中位数中心：沿第0轴计算中位数即可，代码如下：

median_centers = np.median(centers_all, axis=0)

输出结果median_centers形状为(3,12)，每个位置的数值为对应聚类对应特征在100次运行结果中的中位数，即目标中位数中心。

内容的提问来源于stack exchange，提问作者Fábio Pires