如何用Python实现K-means算法按应用使用行为将用户聚类为3组？

安装依赖工具 #

• 不需要手搓K-means算法逻辑，直接用成熟的开源工具包跑通流程即可，安装命令：
  pip install pandas scikit-learn

第一步：基础数据清洗 #

你拿到的数据集以用户ID为行索引，只需要保留应用使用次数的数值列作为聚类特征，不要把用户ID本身加入特征计算：

import pandas as pd
# 读取CSV格式的数据集，指定用户ID为行索引
df = pd.read_csv("app_usage.csv", index_col="UserId")
# 填充缺失值为0，符合使用次数的语义（无记录即无使用）
df = df.fillna(0)
# 筛掉全0使用的不活跃用户，这类用户无有效行为，硬聚类会干扰目标群组的划分
total_usage = df.sum(axis=1)
inactive_user_mask = total_usage == 0
active_df = df[~inactive_user_mask]
inactive_df = df[inactive_user_mask].copy()
inactive_df['cluster_group'] = 'inactive'

第二步：必做的特征标准化 #

K-means基于样本间的欧氏距离计算相似度，你的数据中不同应用类别的使用次数数值范围差异很大（比如样例数据中教育类最高单次值为9，时钟类最高为2），不做缩放的话高数值列会完全主导距离计算，导致聚类结果失真：

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
scaled_features = scaler.fit_transform(active_df)

第三步：运行K-means聚类 #

固定随机种子保证结果可复现，直接按需求设置3个聚类群组：

from sklearn.cluster import KMeans
# n_clusters设为3对应你的目标群组数量，random_state固定为42避免每次运行结果随机波动
kmeans = KMeans(n_clusters=3, random_state=42, n_init="auto")
cluster_labels = kmeans.fit_predict(scaled_features)
# 把聚类标签合并回活跃用户的数据集
active_df['cluster_group'] = cluster_labels
# 合并活跃用户聚类结果和之前标记的不活跃用户，得到完整结果
final_result = pd.concat([active_df, inactive_df])

结果解读方法 #

直接按群组维度计算每个应用类别的平均使用次数，就能快速对应每个群组的用户特征：

# 输出每个群组的平均使用行为画像
cluster_profile = final_result.groupby("cluster_group").mean()
print(cluster_profile)

结合你给出的样例数据，通常会得到类似的群组特征：

• 某一群组通讯类使用次数均值高，其他类别数值偏低，对应普通社交类用户
• 某一群组娱乐、教育类使用次数均值高，对应学习娱乐双高的学生类用户
• 某一群组日历、金融类使用次数均值高，对应办公理财类用户
• 标记为inactive的群组为无有效使用行为的不活跃用户

新手避坑提示 #

• 不要跳过特征标准化步骤，这是新手做K-means时最容易出现结果偏差的原因
• 不要把全0使用的用户硬塞进3个目标群组，否则算法会为了适配这类无行为用户打乱正常的群组划分
• 因为你的样本量只有61个，如果某一群组仅包含1-2个用户，可单独检查这些用户的使用数据是否为离群异常值

内容的提问来源于stack exchange，提问作者ab20225