tslearn时间序列KMeans聚类报x/y数组至少需2个条目错误

云原生阿岚

2026-8-31

问题说明

使用tslearn库的TimeSeriesKMeans对110个文件的时间序列做基于DTW的聚类，遍历2、3、4三类聚类数，通过轮廓系数选最优结果。数据编码固定为-1（否）、0（不确定）、1（是），不能替换NaN值，无需归一化。处理部分文件时抛出错误：ValueError: x and y arrays must have at least 2 entries，尝试过对to_time_series_dataset(x)输出做/不做squeeze操作都无法解决。

执行squeeze后的样例数据：

[[ 0.  1. -1. nan]
 [-1.  1.  0. -1.]
 [ 0. -1. nan nan]
 [ 0.  0. -1. nan]
 [ 0.  1.  0. -1.]
 [ 0. -1. nan nan]
 [ 0. -1. -1. nan]
 [ 0.  0. -1. nan]
 [ 0. -1. nan nan]
 [ 0. -1. nan nan]
 [ 0.  0. -1. nan]
 [-1. -1. nan nan]
 [ 1.  1. -1. nan]
 [ 1. -1. nan nan]
 [ 0. -1. nan nan]
 [ 1. -1. nan nan]
 [ 0. -1. -1. nan]
 [ 0. -1. nan nan]
 [ 1. -1. nan nan]
 [ 0.  0. -1. nan]
 [ 0. -1. -1. nan]
 [ 0.  1. -1. nan]
 [ 0.  0. -1. nan]
 [ 1. -1. nan nan]]

不执行squeeze的标准tslearn三维输入格式样例：

[[[ 0.]
  [ 1.]
  [-1.]
  [nan]]

 [[-1.]
  [ 1.]
  [ 0.]
  [-1.]]

 [[ 0.]
  [-1.]
  [nan]
  [nan]]
...
]

原有聚类代码：

for j in [2,3,4]:
    km = TimeSeriesKMeans(n_clusters=j, metric="dtw")
    labels = km.fit_predict(x)
    silhouetteScore = silhouette_score(x, labels, metric="dtw")

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

报错根因

首先squeeze操作是多余的，tslearn要求输入形状为(n_samples, n_timestamps, n_features)，单变量时间序列最后一维为1是符合规范的，squeeze反而会破坏输入形状。
原生DTW度量不支持带NaN的输入，当单条时间序列非NaN有效值少于2个，或两条序列的非NaN位置无足够重叠时，DTW距离计算会因有效计算点对不足2个抛出上述值错误。
即使没有触发报错，带NaN的输入传入原生DTW计算逻辑也会得到全NaN的距离结果，导致后续聚类、轮廓系数计算完全失效。

解决步骤

过滤无效样本
加载每个文件的数据后，先逐样本统计非NaN值数量，剔除有效长度小于2的样本，这类样本本身信息量不足，既无法参与距离计算，也会干扰聚类结果。过滤后如果剩余有效样本数不足2，直接跳过该文件的聚类流程（样本量不足无法完成聚类）。
替换支持缺失值的距离度量
不要使用默认的dtw度量，换成支持部分观测序列计算的softdtw度量，不需要替换NaN值即可完成距离计算，符合数据编码要求。如果对DTW的硬对齐需求很高，可以自行实现带掩码的DTW逻辑：计算两个序列的距离时，仅对两个序列同一时间步均不为NaN的位置计算点对距离，跳过所有含NaN的位置，预计算完全部样本对的距离矩阵后，传入聚类和轮廓系数接口时指定metric="precomputed"即可。
动态调整聚类数遍历范围
聚类数必须小于有效样本总数（轮廓系数计算要求每个簇至少有1个样本，且聚类数不能等于样本数），过滤完有效样本后，从[2,3,4]里筛选出小于有效样本数的值作为实际遍历的聚类数，比如有效样本只有3个时，仅遍历聚类数为2的情况即可，避免触发新的参数错误。

调整后的参考代码：

# 不要执行squeeze，保留tslearn要求的三维输入格式
x = to_time_series_dataset(raw_x)
# 过滤有效样本：单序列非NaN值≥2
valid_mask = np.array([np.count_nonzero(~np.isnan(seq.squeeze())) >= 2 for seq in x])
x_valid = x[valid_mask]
n_samples = len(x_valid)
# 有效样本不足直接跳过
if n_samples < 2:
    print(f"当前文件有效样本不足，跳过聚类")
    continue
# 动态确定待测试的聚类数
test_cluster_list = [k for k in [2,3,4] if k < n_samples]
num_of_clusters_list = []
silhouetteScore_list = []
for j in test_cluster_list:
    # 用支持缺失值的softdtw作为度量
    km = TimeSeriesKMeans(n_clusters=j, metric="softdtw", random_state=42)
    labels = km.fit_predict(x_valid)
    silhouetteScore = silhouette_score(x_valid, labels, metric="softdtw")
    num_of_clusters_list.append(j)
    silhouetteScore_list.append(silhouetteScore)
    print(f"{j} clusters, score is {silhouetteScore}")

内容的提问来源于stack exchange，提问作者Paul Jiang