如何匹配两个相似数据集经KMeans聚类后得到的不同标签分配？

方法1：基于质心距离的匈牙利算法匹配（最常用，效果稳定） #

这是该类标签对齐场景的标准解决方案，仅要求两个数据集的聚类簇数量完全一致：

• 提取数据集A的所有聚类质心，记为矩阵 centroids_A，形状为 (n_clusters, 3)，索引顺序对应A的原始标签0到n-1
• 提取数据集B的所有聚类质心，记为矩阵 centroids_B，形状同样为 (n_clusters, 3)，索引顺序对应B的原始标签0到n-1
• 计算两个质心集合的两两距离矩阵：dist_matrix[i][j] 表示A的第i个质心和B的第j个质心的欧氏距离（数据已归一化的场景下也可使用余弦距离）
• 调用匈牙利算法（Kuhn-Munkres算法）求解该距离矩阵的最小权匹配，得到的匹配结果即为A的标签i对应B的标签j
• 最后构建标签映射字典，将B的所有原始标签按照映射关系替换为A的对应标签即可完成对齐

Python实现可直接调用scipy的scipy.optimize.linear_sum_assignment接口，示例代码片段：

import numpy as np
from scipy.optimize import linear_sum_assignment

# 输入两个质心矩阵
dist = np.linalg.norm(centroids_A[:, None] - centroids_B[None, :], axis=2)
row_ind, col_ind = linear_sum_assignment(dist)
# 构建映射：B的原始标签 -> A的对应标签
label_map = {col: row for row, col in zip(row_ind, col_ind)}
# 对B的原始标签重映射
aligned_labels_B = np.array([label_map[x] for x in original_labels_B])

方法2：基于A的聚类模型直接预测B的标签（简单高效，适合分布差异极小的场景） #

如果两个数据集的分布偏差确实很小，可以不用单独对B执行KMeans聚类：

• 直接使用数据集A训练完成的KMeans模型，对B的所有样本执行预测，得到的标签天然和A的标签体系对齐，无需额外匹配
• 该方法实现成本极低，缺点是如果B的簇分布和A存在明显偏移，聚类效果会弱于单独对B执行KMeans的结果

方法3：基于最大重叠的标签匹配（适合存在样本对应关系的场景） #

如果两个数据集的样本是一一对应的（比如同一批样本两次采集得到的两个数据集），可以用标签重叠度完成匹配：

• 统计B的每个标签和A的每个标签的共同样本数量，构建共现矩阵
• 同样用匈牙利算法求解最大匹配，得到最终的标签映射关系

内容的提问来源于stack exchange，提问作者Paolo Accordini