含连续、分类等异质属性的客户群体聚类方法咨询

碰到混合类型（连续、分类、二元、有序）数据的聚类问题确实很常见，我来分享几个业内常用的实用思路，帮你搞定这个问题：

1. 采用混合数据专用的距离/相似性度量 #

核心思路是针对不同类型的变量分别计算距离，再标准化后加权组合成总距离，这样就能适配传统聚类算法（比如层次聚类）了：

• 连续型变量：先做标准化（Z-score或者Min-Max），然后用欧氏距离、曼哈顿距离；要是变量间存在明显相关性，马氏距离会更合适
• 无序分类型变量：用匹配类系数，比如Jaccard系数（计算两个样本相同类别占非空属性的比例）、Dice系数，或者简单的0-1匹配（属性值相同为0，不同为1）
• 二元型变量：如果是对称二元（比如性别，两种状态无主次）用Jaccard；非对称二元（比如是否持有VIP卡，"是"更有区分度）用Russell-Rao系数更准确
• 有序型变量：可以先把类别映射成符合业务逻辑的数值（比如"低→1，中→2，高→3"），用连续型距离；也可以用序数专属距离，比如考虑等级差的平方，避免默认等级是等距的误差

计算完各类型的距离后，把它们都标准化到[0,1]区间，再根据业务重要性分配权重相加，得到样本间的总距离。

2. 将所有变量转换为同一类型后聚类 #

把混合数据统一成一种类型，再用传统聚类算法处理：

• 连续转分类：把连续变量分箱（等频、等宽或者基于业务规则）转成有序分类，然后统一用分类变量的距离度量；缺点是会丢失连续数据的精度，适合对精度要求不高的场景
• 分类转连续：无序分类用独热编码（One-Hot Encoding），有序分类用标签编码（Label Encoding），然后用K-Means这类连续型聚类算法；但独热编码会大幅增加维度，K-Means在高维数据上效果可能下降，而且标签编码的有序性必须符合业务逻辑（比如"低<中<高"是合理的）

3. 使用专门处理混合数据的聚类算法 #

这类算法原生支持混合数据，不用手动处理距离组合，是最省心的选择：

• K-Prototypes：K-Means的扩展，专门为混合数据设计。连续型变量用欧氏距离，分类型变量用汉明距离，两者加权组合计算总距离，聚类中心的连续型取均值，分类型取众数，迭代更新直到收敛，是目前最常用的混合数据聚类算法
• Fuzzy K-Prototypes：如果需要软聚类（样本可以同时属于多个簇，有隶属度），可以用这个，和K-Prototypes逻辑类似，只是加入了模糊隶属度的计算
• 层次聚类（Hierarchical Clustering）：搭配前面说的混合距离度量，用沃德法（Ward's Method）或者平均链接法构建聚类树，适合探索性分析，能直观看到聚类的层级关系
• 基于模型的聚类（Model-Based Clustering）：假设不同类型变量服从对应分布（连续型用正态分布，分类型用多项分布），用EM算法估计混合模型的参数，自动划分聚类，适合统计建模导向的场景，能给出聚类的统计显著性

实践小贴士 #

• 先做好预处理：连续变量标准化消去量纲影响，分类变量填充缺失值（比如用众数），有序变量确认编码逻辑符合业务含义
• 多尝试几种方法，用聚类评估指标对比效果：比如轮廓系数（Silhouette Score），如果有已知标签可以用调整兰德指数（ARI），或者Calinski-Harabasz指数
• 结合业务调整权重：比如消费金额（连续型）对客户分群的影响比性别（二元型）大，就给连续型距离更高的权重

内容的提问来源于stack exchange，提问作者moufkir