实现带30万人口上限约束的经纬度K-Means聚类问题

报错原因 #

你调用KMeansConstrained时传入的size_min、size_max参数，约束的是每个聚类包含的样本点数量，而非你要求的聚类人口总和。你传入的300000远大于数据集的总样本条数，因此触发了参数校验规则，直接报错。

实现方案 #

方案1：基于约束KMeans的二次调整 #

• 先计算基础参数：统计数据集总人口，除以300000后向上取整，得到最少需要的聚类数量n_clusters；再用总样本数除以n_clusters，得到每个聚类的样本数上下限，作为size_min、size_max的入参
• 运行初聚类得到初始聚类标签，统计每个聚类的总人口
• 对人口超过30万的聚类做拆分，单独对该聚类下的样本再跑KMeans拆为2个聚类；对人口远低于阈值的相邻聚类做合并，直到所有聚类的总人口都不超过30万

方案2：自定义带人口容量约束的聚类逻辑 #

如果不想做二次调整，可以直接修改样本分配规则：

• 初始化聚类中心后，每次分配样本到聚类中心时，先校验当前聚类的累计人口加上该样本人口是否超过30万
• 如果超过阈值，就将样本分配到次近的、还有剩余容量的聚类中心
• 迭代更新聚类中心和样本分配结果，直到收敛

代码示例 #

import numpy as np
import pandas as pd
from k_means_constrained import KMeansConstrained

# 1. 计算基础参数
total_pop = df['人口'].sum()
# 计算最少需要的聚类数
n_clusters = int(np.ceil(total_pop / 300000))
n_samples = len(df)
# 计算每个聚类的样本数上下限
size_min = n_samples // n_clusters
size_max = size_min + 1 if n_samples % n_clusters != 0 else size_min

# 2. 跑初聚类
X = df[['latitude', 'longitude']].values
clus = KMeansConstrained(
    n_clusters=n_clusters,
    size_min=size_min,
    size_max=size_max,
    random_state=42
)
df['cluster'] = clus.fit_predict(X)

# 3. 校验聚类人口并调整
cluster_pop = df.groupby('cluster')['人口'].sum()
# 筛选超容量的聚类
over_cap_clusters = cluster_pop[cluster_pop > 300000].index.tolist()
# 对超容量的聚类单独拆分，迭代直到所有聚类满足阈值即可

内容的提问来源于stack exchange，提问作者kukulu