Python中KMeans簇数为2时生成所有特征组合计算聚类质心的方法

前置逻辑 #

KMeans聚类仅支持数值型输入，你的数据集里Brand是文本类列，需要先排除出可参与聚类的特征池，剩下的可参与特征为Price、sales、Export、Speed共4个数值列。
要遍历所有可能的特征组合，本质是从4个特征里取所有非空的无重复子集，不需要手动枚举所有组合，用itertools.combinations就能批量生成。

可直接运行的代码 #

import pandas as pd
from itertools import combinations
from sklearn.cluster import KMeans

# 初始化原始数据集
cars = {'Brand': ['Honda Civic','Toyota Corolla','Ford Focus','Audi A4'],
        'Price': [22000,25000,27000,35000],
        'sales': [220000,250000,270000,350000],
        'Export': [2000,2000,7000,5000],
        'Speed': [220,210,270,350]
        }
df = pd.DataFrame(cars, columns = ['Brand', 'Price','sales','Export','Speed'])

# 1. 提取所有可用于聚类的数值特征
numeric_features = df.select_dtypes(include='number').columns.tolist()

# 2. 生成所有非空的特征组合
all_combos = []
# 依次遍历1个特征、2个特征...直到全部特征的组合长度
for combo_length in range(1, len(numeric_features)+1):
    for combo in combinations(numeric_features, combo_length):
        all_combos.append(combo)

# 3. 遍历每个特征组合，运行簇数=2的KMeans，提取结果
result_store = {}
for feature_set in all_combos:
    # 取当前特征集对应的训练数据
    X = df[list(feature_set)]
    # 固定随机种子保证结果可复现
    kmeans_model = KMeans(n_clusters=2, random_state=42)
    kmeans_model.fit(X)
    # 提取当前组合的聚类质心
    current_centroids = pd.DataFrame(kmeans_model.cluster_centers_, columns=feature_set)
    # 给原始数据集添加当前特征集对应的聚类标签列
    label_col = f'label_{"_".join(feature_set)}'
    df[label_col] = kmeans_model.labels_
    # 存储当前组合的结果方便后续调用
    result_store[feature_set] = {
        'centroids': current_centroids,
        'trained_model': kmeans_model
    }

关键说明 #

• 总共会生成15组特征组合，分别对应1个特征、2个特征、3个特征、4个特征的所有可能搭配，不会出现重复组合。
• 代码里设置random_state=42是为了消除KMeans初始质心随机带来的结果波动，保证每次运行输出的质心、标签完全一致。
• 由于原始特征量纲差异极大（比如sales量级为1e6，Speed量级为1e2），如果需要获得更合理的聚类效果，可以在模型训练前对输入特征做标准化处理，避免大量级特征主导聚类结果。
• 你可以直接通过result_store[你的目标特征组合]['centroids']查看对应组合下的聚类质心，通过df新增的label列查看每条样本对应的聚类标签。
• 如果需要把文本类的Brand列纳入特征池，可以先对该列做标签编码转换为数值后，再补充到numeric_features列表里参与组合生成。

内容的提问来源于stack exchange，提问作者Qianru Song