K-means聚类混合数据时质心绘图位置异常的解决方法咨询

嘿，我明白你现在的困扰——把季节转成哑变量跑K-means后，聚类中心居然跑到簇外面去了，这确实挺闹心的。咱们来拆解下问题，然后一步步解决：

为啥质心位置会错？ #

核心原因很简单：你是在包含哑变量的高维特征空间里做的聚类，但绘图只展示了chemical_1和chemical_2这两个数值特征的二维空间。直接从cluster_centers_里取前两列当二维质心，等于忽略了哑变量维度对聚类结果的影响，自然位置会偏。另外，如果你的数值特征和哑变量（0/1）尺度差得很大，K-means计算质心时会被数值特征带偏，也会导致这个问题。

具体解决步骤 #

1. 先给数值特征做标准化（关键！） #

哑变量都是0或1，而chemical_1、chemical_2可能是几十上百的数值，尺度不统一会让K-means的权重偏向数值特征，聚类结果和质心都会失真。咱们先把数值特征标准化：

from sklearn.preprocessing import StandardScaler
import pandas as pd

# 单独拎出数值特征做标准化
scaler = StandardScaler()
df[['chemical_1', 'chemical_2']] = scaler.fit_transform(df[['chemical_1', 'chemical_2']])

# 生成季节的哑变量，记得加drop_first避免多重共线性
df_transformed = pd.get_dummies(df, columns=['season'], drop_first=True)

2. 把高维质心映射回原始二维空间 #

聚类完成后，cluster_centers_是高维数组，咱们要提取其中对应数值特征的部分，再反标准化回原始尺度，这样才能和原始数据点对应上：

from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# 跑K-means聚类
kmeans = KMeans(n_clusters=3, random_state=42)
df['cluster_label'] = kmeans.fit_predict(df_transformed)

# 提取质心中的数值特征部分，反标准化回原始尺度
centers_numeric = scaler.inverse_transform(kmeans.cluster_centers_[:, :2])

# 画原始数据点（用原始尺度的chemical_1、chemical_2）
plt.scatter(df['chemical_1'], df['chemical_2'], c=df['cluster_label'], cmap='viridis', alpha=0.6)

# 画修正后的质心，用醒目的红色叉号
plt.scatter(centers_numeric[:, 0], centers_numeric[:, 1], marker='x', color='red', s=200, label='聚类中心')
plt.legend()
plt.show()

3. 可选：按季节拆分看簇分布（更直观） #

如果想搞清楚不同季节的点在簇里的分布，可以按季节分组绘图，同时标注质心：

# 按季节循环绘图
seasons = df['season'].unique()
for season in seasons:
    subset = df[df['season'] == season]
    plt.scatter(subset['chemical_1'], subset['chemical_2'], c=subset['cluster_label'],
                cmap='viridis', alpha=0.6, label=f'季节：{season}')

# 还是画反标准化后的质心
plt.scatter(centers_numeric[:, 0], centers_numeric[:, 1], marker='x', color='red', s=200, label='聚类中心')
plt.legend()
plt.show()

额外小提醒 #

• 生成哑变量时用drop_first=True能减少特征维度，避免不必要的共线性问题，对K-means友好。
• 确保df_transformed里的特征顺序是：先放chemical_1、chemical_2，再放季节的哑变量，这样cluster_centers_[:, :2]才是对应数值特征的质心部分。
• 如果实在不想做标准化，直接用原始数值特征聚类的话，质心的前两列可以直接画，但要做好心理准备——聚类结果可能会受尺度影响，不如标准化后的稳定。

内容的提问来源于stack exchange，提问作者samba