如何用R创建等大小聚类？购物篮产品均衡聚类方案问询

嘿，这个问题我之前帮不少朋友解决过——要实现严格大小相等的聚类，普通的K-means或者PAM确实做不到，因为它们的核心目标是最小化簇内距离，不会强制约束每个簇的规模。不过有几个靠谱的方案，我给你拆解下：

1. 先聚类再调整（最简单易实现） #

先用常规的K-means/PAM得到初始聚类结果，然后手动调整簇的大小，直到所有簇的元素数量一致。具体步骤：

• 第一步：跑普通聚类，得到每个簇的当前大小
• 第二步：对于超过目标大小（N/k）的簇，挑选那些离簇中心最远的元素（或者和其他小簇中心最接近的元素），把它们移到元素不足的小簇里
• 第三步：重复调整，直到所有簇的大小都等于目标值

示例代码（Python） #

这里以K-means为例，写个简化的调整脚本：

import numpy as np
from sklearn.cluster import KMeans

def balanced_kmeans(X, n_clusters):
    # 先跑普通K-means得到初始标签
    kmeans = KMeans(n_clusters=n_clusters, random_state=42)
    labels = kmeans.fit_predict(X)
    
    target_size = len(X) // n_clusters
    cluster_sizes = np.bincount(labels)
    
    # 循环调整簇大小
    for cluster_idx in range(n_clusters):
        while cluster_sizes[cluster_idx] > target_size:
            # 找到当前簇里离中心最远的样本
            cluster_points = X[labels == cluster_idx]
            distances = np.linalg.norm(cluster_points - kmeans.cluster_centers_[cluster_idx], axis=1)
            farthest_pos = np.argmax(distances)
            original_data_idx = np.where(labels == cluster_idx)[0][farthest_pos]
            
            # 找到当前最小的簇，把样本移过去
            smallest_cluster = np.argmin(cluster_sizes)
            labels[original_data_idx] = smallest_cluster
            
            # 更新簇大小统计
            cluster_sizes[cluster_idx] -= 1
            cluster_sizes[smallest_cluster] += 1
    
    # 可选：重新计算调整后的簇中心
    new_centers = np.array([X[labels == i].mean(axis=0) for i in range(n_clusters)])
    return labels, new_centers

# 测试：24个样本分成4簇，每簇6个
X = np.arange(24).reshape(-1, 1)
labels, centers = balanced_kmeans(X, 4)
print("各簇大小：", np.bincount(labels))  # 输出应该是[6,6,6,6]

这个方法的好处是简单易上手，缺点是会稍微牺牲一点簇内的紧凑性，但对于大多数业务场景来说完全够用。

2. 使用专门的约束聚类算法 #

如果想要更严谨的实现，可以用Equal K-means——这是K-means的变种，专门为等大小簇设计。它在迭代分配样本的阶段，会强制每个簇只能接收固定数量的样本，从根源上保证簇大小一致。

不过这个算法没有被sklearn这类常用库集成，你可以自己实现（核心是在分配步骤加数量约束），或者找一些专门的约束聚类工具包。另外，PAM也有约束版本，通过修改medoid选择的规则来限制簇大小，但实现起来相对复杂。

3. 基于排序的划分（适合有明显维度特征的场景） #

如果你的数据可以通过某个特征（比如综合得分、PCA降维后的第一主成分）排序，并且排序后的样本具有相似性（比如得分接近的样本更像），那可以直接把排序后的样本切成k段，每段正好N/k个元素。

比如你的示例数据是1到24，按数值排序后直接分成4段：[1-6], [7-12], [13-18], [19-24]，每段就是一个簇。这个方法简单粗暴，完全不需要聚类算法，但前提是排序维度能准确反映样本的相似性。

• 优先试试「先聚类再调整」的方法，快速满足需求
• 如果追求聚类质量和严谨性，可以研究Equal K-means的实现
• 数据有合适排序维度的话，直接分段效率最高

内容的提问来源于stack exchange，提问作者BS.Mira