Python环境下如何实现一维数据的平衡聚类计算

方案适用前提 #

你需要同时满足两个核心要求：同簇样本数值尽可能相似、各簇样本规模差异尽可能小。针对一维数据，以下三类方案可直接落地，无复杂配置。

方案1：排序后等规模切分（纯一维场景首选，无额外依赖） #

实现逻辑 #

一维数据无维度歧义，先对数值排序，再按目标样本量依次切分，既能保证簇规模完全可控，又能天然让数值相近的样本归为同一簇。

代码示例 #

import numpy as np

# 输入数据
l = [46, 48, 68, 46, 48, 68, 63, 62, 63, 63, 69, 54, 64, 61, 66, 54, 64, 67, 46, 48]
n_clusters = 3
n_samples = len(l)

# 1. 排序并保留原索引
sorted_indices = np.argsort(l)
sorted_values = np.array(l)[sorted_indices]

# 2. 计算各簇目标大小：余数均匀分配到前几个簇
base_size = n_samples // n_clusters
remainder = n_samples % n_clusters
sizes = [base_size + 1 if i < remainder else base_size for i in range(n_clusters)]

# 3. 切分生成标签
labels = np.zeros(n_samples, dtype=int)
current_pos = 0
for cluster_id, size in enumerate(sizes):
    labels[sorted_indices[current_pos:current_pos+size]] = cluster_id
    current_pos += size

# 验证结果
print(labels)
print(np.unique(labels, return_counts=True))

运行输出的簇规模为[7,7,6]，完全符合均衡要求，各簇数值区间分别为46-54、54-64、64-69，相似性符合聚类预期。

方案2：带均衡约束的KMeans（兼顾聚类精度，可扩展到高维） #

实现逻辑 #

在常规KMeans最小化簇内平方和的目标基础上，增加簇大小约束，保证各簇样本数差异不超过1，适合对聚类精度有要求的场景，后续扩展到高维数据也可直接复用。

前置依赖 #

需先安装第三方库：pip install balanced-clustering

代码示例 #

import numpy as np
from balanced_clustering import KMeans as BalancedKMeans

# 输入数据
l = [46, 48, 68, 46, 48, 68, 63, 62, 63, 63, 69, 54, 64, 61, 66, 54, 64, 67, 46, 48]
X = np.array(l).reshape(-1, 1)

# 初始化均衡KMeans，设置簇规模最大差值为1
b_kmeans = BalancedKMeans(n_clusters=3, max_cluster_size_diff=1)
labels = b_kmeans.fit_predict(X)

# 验证结果
print(labels)
print(np.unique(labels, return_counts=True))

方案3：普通KMeans后处理调整（无需额外第三方依赖） #

实现逻辑 #

先跑原生KMeans得到初始聚类结果，再将规模过大的簇中离簇中心最远的样本，调整到规模过小的最近邻簇中，直到各簇大小符合均衡要求，适合不想安装额外包的场景。

代码示例 #

import numpy as np
from sklearn.cluster import KMeans

# 输入数据
l = [46, 48, 68, 46, 48, 68, 63, 62, 63, 63, 69, 54, 64, 61, 66, 54, 64, 67, 46, 48]
X = np.array(l).reshape(-1, 1)
n_clusters = 3
n_samples = len(X)

# 1. 先跑原生KMeans得到初始结果
kmeans = KMeans(n_clusters=n_clusters, n_init='auto')
labels = kmeans.fit_predict(X)
centers = kmeans.cluster_centers_

# 2. 计算每个样本到所属簇中心的距离
distances = np.abs(X.flatten() - centers[labels].flatten())

# 3. 目标最小簇大小
min_size = n_samples // n_clusters

# 4. 循环调整样本归属，直到各簇规模达标
while True:
    counts = np.bincount(labels)
    large_clusters = np.where(counts > min_size)[0]
    small_clusters = np.where(counts < min_size)[0]
    if len(large_clusters) == 0 or len(small_clusters) == 0:
        break
    # 从规模最大的簇中选离中心最远的样本
    large_cluster = large_clusters[np.argmax(counts[large_clusters])]
    large_samples = np.where(labels == large_cluster)[0]
    sample_to_move = large_samples[np.argmax(distances[large_samples])]
    # 将该样本调整到距离最近的小簇
    small_centers = centers[small_clusters]
    new_cluster = small_clusters[np.argmin(np.abs(X[sample_to_move] - small_centers))]
    labels[sample_to_move] = new_cluster
    # 更新该样本到新簇中心的距离
    distances[sample_to_move] = np.abs(X[sample_to_move] - centers[new_cluster])

# 验证结果
print(labels)
print(np.unique(labels, return_counts=True))

内容的提问来源于stack exchange，提问作者MJimitater