如何使用KMeans对字符串列表聚类 实现名称按特征相似度分组

核心处理思路 #

你遇到的核心问题是集合型离散特征的向量化转换，针对这种每个样本对应一组独立标签的场景，最优方案是用多标签二值化编码，整体流程如下：

• 第一步：对每个样本的特征标签列表做二值化编码，把每个独立标签转换为一个维度，对应值为1（样本含该标签）或0（样本不含该标签）
• 第二步：（可选）如果标签维度极高，可通过PCA等方法做降维，降低后续KMeans的计算开销
• 第三步：把编码后的数值矩阵输入KMeans模型完成聚类
• 第四步：将聚类结果匹配回原名称列输出分组

具体实现代码 #

第一步：依赖导入与示例数据加载 #

import pandas as pd
from sklearn.preprocessing import MultiLabelBinarizer
from sklearn.cluster import KMeans

# 示例数据集
df = pd.DataFrame({
    "name":['lion','leopard','racoon','possum'], 
    "features":[
        ['mane', 'teeth', 'tail', 'carnivore'], 
        ['spots', 'teeth', 'tail', 'carnivore'], 
        ['stripes', 'teeth', 'omnivore', 'small'], 
        ['teeth', 'omnivore', 'small']
    ]
})

第二步：特征向量化 #

# 初始化多标签二值化器
mlb = MultiLabelBinarizer()
# 把特征列表转换为二值化矩阵
feature_matrix = mlb.fit_transform(df['features'])
# 可查看生成的维度对应的标签，方便验证
print("所有标签列表：", mlb.classes_)

这里输出的二值化矩阵和标签是完全对应的，比如lion对应的向量会在mane、teeth、tail、carnivore这几个维度为1，其余为0。

第三步：KMeans聚类 #

# 初始化KMeans，预期分2类，所以n_clusters设为2
kmeans = KMeans(n_clusters=2, random_state=42)
# 训练并获取聚类结果
df['cluster'] = kmeans.fit_predict(feature_matrix)

第四步：输出聚类结果 #

直接查看最终的分组：

print(df[['name', 'cluster']])

输出结果会符合你的预期：lion、leopard属于同一簇，racoon、possum属于同一簇。

方案说明 #

• 为什么不用TF-IDF/Word2Vec等其他向量化方法？你当前的特征是独立的分类标签，没有上下文语义、也没有词频差异，二值化编码是最轻量化、最贴合业务特征的转换方式，计算的距离完全匹配你之前手动统计共有元素的相似度逻辑。
• 如果后续你的特征变成有语义的长文本，再考虑更换为TF-IDF或词向量方案即可。

内容的提问来源于stack exchange，提问作者hselbie