如何为scikit-learn层次聚类添加指定列值相同才可聚类的约束

方案1：按约束列分组独立聚类（推荐） #

这种方法逻辑最简单，完全满足你的约束要求，且支持原参数中的ward linkage规则：

• 操作逻辑：先按照指定约束列的取值将数据集拆分，每个取值对应的子集单独执行层次聚类，最后合并所有子集的聚类结果即可，天然不会出现跨取值聚到同一簇的情况。
• 实现代码：

import pandas as pd
from sklearn.cluster import AgglomerativeClustering

# 保留你原有的因子化处理逻辑
z = df.apply(lambda x: pd.factorize(x)[0])
# 指定约束列：你说的第3列对应0基索引为2，可根据实际列索引调整
constraint_col = 2
result = []

# 按约束列取值遍历分组
for group_val, group_df in z.groupby(z.iloc[:, constraint_col]):
    # 每组单独执行聚类，参数和你原设置完全一致
    cluster = AgglomerativeClustering(
        n_clusters=None,
        distance_threshold=10,
        affinity='euclidean',
        linkage='ward'
    )
    group_labels = cluster.fit_predict(group_df)
    # 给不同分组的簇标签加上前缀避免重复
    group_labels = [f"{group_val}_{lab}" for lab in group_labels]
    # 记录原索引和对应标签
    result.extend(zip(group_df.index, group_labels))

# 按原数据集索引排序，得到和原顺序一致的聚类标签
result.sort()
final_cluster_labels = [item[1] for item in result]

方案2：自定义距离矩阵实现约束 #

如果你不想拆分数据集，可以通过修改距离矩阵的方式强制约束，不同约束列取值的样本距离设为无穷大，聚类时永远不会合并：

• 注意：该方案不能使用ward linkage，因为ward规则仅支持输入原始特征计算方差，需要替换为complete/average等其他linkage规则。
• 实现代码：

import pandas as pd
import numpy as np
from sklearn.cluster import AgglomerativeClustering
from sklearn.metrics.pairwise import euclidean_distances

z = df.apply(lambda x: pd.factorize(x)[0])
constraint_col = 2

# 计算原始欧氏距离矩阵
dist_matrix = euclidean_distances(z)
constraint_values = z.iloc[:, constraint_col].values
# 生成掩码：约束列取值不同的样本对标记为True
mask = constraint_values[:, np.newaxis] != constraint_values[np.newaxis, :]
# 把不符合约束的样本对距离设为无穷大
dist_matrix[mask] = np.inf

# 聚类时指定用预计算的距离矩阵，更换linkage规则
cluster = AgglomerativeClustering(
    n_clusters=None,
    distance_threshold=10,
    affinity='precomputed',
    linkage='complete'
)
final_cluster_labels = cluster.fit_predict(dist_matrix)

内容的提问来源于stack exchange，提问作者Murcie