如何基于距离矩阵和KMedoids为新增观测分配所属聚类簇

错误原因 #

• 你调用fit()时输入的是5个原始文档的5×5距离矩阵，KMedoids模型的输入特征维度对应「样本到所有原始训练样本的距离」，维度固定为5
• 你调用predict()时传入的是包含新文档的6列距离矩阵，多了新文档到自身的距离列，维度变为6和训练时的5不匹配，因此抛出维度错误。

小提示：如果你训练KMedoids时用的是预计算的距离矩阵，一定要在初始化时指定metric='precomputed'，否则模型会把输入的距离矩阵当成普通特征矩阵处理，结果会出错。

无需重新聚类的实现方法 #

这个需求完全可以实现，不需要每次新增数据都重新训练聚类，有两种可行方案：

方案1：手动计算归属簇（更简单，不需要调用模型接口） #

KMedoids的预测逻辑本身就是把新样本划分到「距离最近的簇中心（medoid）」所在的簇，你可以直接手动计算：

1. 首先从训练好的模型中提取簇中心对应的原始样本索引：

# 获取原始训练集中作为簇中心的样本索引（对应你原始距离矩阵的行/列名）
medoid_ids = distance.index[kmed.medoid_indices_].tolist()

2. 从新的距离矩阵中提取新增文档（示例中为第6个）到所有簇中心的距离，取距离最小的簇即为归属：

# 示例提取新文档6到所有簇中心的距离
new_doc_dist = new_distance.loc[6, medoid_ids]
# 得到归属簇
assigned_cluster = new_doc_dist.idxmin()

就你给出的示例数据而言，新文档6到中心3的距离只有0.01，是所有距离里最小的，直接划入3所在的簇即可。

方案2：修正输入维度后调用predict()接口 #

如果要使用模型自带的predict()方法，你只需要传入新文档到原始5个训练样本的距离，也就是去掉新矩阵里新增的第6列即可：

# 提取新文档行，仅保留前5列（对应到原始5个训练样本的距离）
predict_input = new_distance.loc[[6], new_distance.columns[:5]]
# 调用预测
assigned_cluster = kmed.predict(predict_input)

什么时候需要重新聚类？ #

只有当你新增的样本量足够大、或者观察到原有簇的结构已经发生明显偏移时，才需要重新用全量数据训练KMedoids，单条或者少量新增数据直接按上述方法增量分配即可。

内容的提问来源于stack exchange，提问作者mjoy