R语言实现客户K-means聚类分群与画像问题咨询

先修正你现有代码里的两个显性bug，避免跑不通流程：

• 代码执行顺序错误：你先调用了km.out$cluster，后面才运行kmeans赋值km.out对象，要把kmeans建模的代码块挪到聚类可视化、聚类结果调用的前面。
• 肘部法则函数传参错误：wssplot(input, nc = 20)里的input对象未定义，替换为你做过归一化的数据集kpis_scaled即可，即改成wssplot(kpis_scaled, nc = 20)。

问题1：计算各分群未缩放原始值的业务画像指标 #

聚类输出的标签是和每一行样本一一对应的，不需要对缩放后的聚类中心做反推，直接把聚类标签匹配回原始未缩放的数据集，分组统计即可，反推容易因为归一化参数存储错误出现数值偏差。
建议统计时不要只算均值，把中位数、分群样本量一起算出来，业务侧解读时中位数抗噪性更强，参考价值更高，示例代码如下：

library(dplyr)
# 把聚类标签拼接到原始未缩放的数值数据集上
main_kpis_num$cluster <- as.factor(km.out$cluster)
# 分组计算各群原始维度的统计值
cluster_raw_profile <- main_kpis_num %>%
  group_by(cluster) %>%
  summarise(
    across(
      everything(),
      list(
        均值 = ~mean(.x, na.rm = TRUE),
        中位数 = ~median(.x, na.rm = TRUE)
      )
    ),
    群样本量 = n()
  )

输出的结果里所有指标都是原始业务量纲，直接可以用来做分群画像解读。

问题2：分布对比高效可视化 #

（1）归一化前后数值分布对比 #

不需要逐个变量单独画直方图，把原始值、归一化值合并转成长表，用ggplot分面一次输出所有变量的分布对比即可，注意分面要放开坐标轴尺度，避免量纲差异导致分布形状看不清：

library(tidyr)
library(ggplot2)
# 合并两类数据转长表
dist_compare_df <- bind_rows(
  main_kpis_num %>% 
    select(-cluster) %>% 
    mutate(数据类型 = "原始值") %>% 
    pivot_longer(-数据类型, names_to = "指标名", values_to = "数值"),
  as.data.frame(kpis_scaled) %>% 
    mutate(数据类型 = "归一化值") %>% 
    pivot_longer(-数据类型, names_to = "指标名", values_to = "数值")
)
# 分面绘制对比直方图
ggplot(dist_compare_df, aes(x = 数值, fill = 数据类型)) +
  geom_histogram(alpha = 0.6, bins = 30) +
  facet_wrap(~指标名, scales = "free", ncol = 3) +
  theme_bw()

只要两类数据的分布形状完全一致，就说明归一化过程没有出错。

（2）各分群分布与全库平均水平对比 #

不建议用多系列直方图叠加，辨识度太低，用密度图叠加全库均值参考线即可，一次输出所有维度的组间差异：

# 转长表
cluster_dist_df <- main_kpis_num %>%
  pivot_longer(-cluster, names_to = "指标名", values_to = "数值")
# 计算每个指标的全库均值
global_avg_df <- cluster_dist_df %>%
  group_by(指标名) %>%
  summarise(全库均值 = mean(数值, na.rm = TRUE))
# 绘图
ggplot(cluster_dist_df, aes(x = 数值, fill = cluster)) +
  geom_density(alpha = 0.4) +
  geom_vline(
    data = global_avg_df, 
    aes(xintercept = 全库均值), 
    color = "red", linetype = "dashed", linewidth = 1
  ) +
  facet_wrap(~指标名, scales = "free", ncol = 3) +
  labs(fill = "聚类分群") +
  theme_bw()

图中红色虚线是全库平均水平，每个分群的密度峰偏离虚线的幅度，就是该群在对应指标上和整体水平的差异。如果需要看离散值分布，把geom_density替换成geom_boxplot即可。

问题3：离群点处理逻辑 #

K-means基于欧氏距离计算样本相似度，对离群点敏感度极高，必须做离群点处理，但不建议直接删除样本，容易误删核心高价值客户：

• 绝对不要直接套用3σ原则、孤立森林、LOF等通用离群点检测方法删数：客户行为数据是典型的重尾分布，高充值、高活跃的高价值客户本身就处于分布尾端，这类方法会把核心业务群体误判为离群点删掉，直接导致聚类结果失去业务意义。
• 最高效的处理流程分两步：
  1. 先筛逻辑异常值：对所有指标跑一遍min、max值统计，把不符合业务逻辑的值（比如年龄超过100、充值额为负、活跃天数大于统计周期天数这类采集错误数据）直接剔除，这部分占比通常不到1%。
  2. 对剩余数据做1%/99%分位的缩尾处理：把小于1%分位的数值替换为1%分位值，大于99%分位的数值替换为99%分位值，不需要删除样本，就能避免极端值拉扯欧氏距离计算结果，跑10万级以上样本速度极快，直接调用DescTools::Winsorize()函数即可实现。

内容的提问来源于stack exchange，提问作者mamaraci