R语言应用K-means聚类搜寻最优K时出现NA类报错的咨询

你遇到的两类报错是完全连锁的同一问题：

• 数据集第一列gene为存储基因名称的文本字符型字段，不属于可参与距离计算的数值特征
• 直接将包含文本列的完整数据框传入kmeans()时，R会强制将整个数据框转换为双精度浮点型做底层计算，文本列无法完成数值转换会批量生成NA值
• K-means的底层C实现不接受包含NA、NaN、无穷值的输入矩阵，因此最终抛出外函数调用的执行错误

• 第一步：剔除聚类输入中的非数值标识列
  直接保留从第二列开始的所有基因表达数值列，不要将第一列的基因名称作为算法输入：

  # 移除第一列文本列，提取纯数值型的聚类输入数据
  nci_cluster_input <- nci[, -1]
  

• 第二步：提前校验输入数据的合法性
  执行以下代码排查残留的异常值，避免后续再次触发同类报错：

  # 确认所有列均为数值类型
  str(nci_cluster_input)
  # 统计是否存在缺失值、非数、无穷值
  sum(is.na(nci_cluster_input))
  sum(is.nan(as.matrix(nci_cluster_input)))
  sum(is.infinite(as.matrix(nci_cluster_input)))
  

  如果校验发现仍有残留异常值，可根据分析需求选择剔除对应行/列，或用列均值、中位数完成缺失值填充。
• 第三步：重新调用K-means完成聚类计算
  将处理好的纯数值矩阵传入算法即可正常运行：

  # 指定聚类中心数量为10完成计算
  kmeans_res <- kmeans(nci_cluster_input, centers = 10)
  

• K-means基于欧氏距离做计算，对特征量纲敏感，如果输入的基因表达数据未做标准化，建议计算前对每列特征做Z-score标准化，避免量纲差异扭曲距离计算结果
• 注意数据集的维度匹配：当前数据集每行对应1个基因、每列对应1个肿瘤样本，如果你的聚类目标是对肿瘤样本分簇，需要将数值矩阵做转置（即传入t(nci_cluster_input)）再运行K-means，否则算法会将数千个基因作为样本点聚类，和预设的分析目标错位
• 后续搜寻最优K值时，可结合簇内平方和的肘部法则、轮廓系数做可视化判断，不需要手动逐次试错

内容的提问来源于stack exchange，提问作者Kyle