如何将SKLearn KMeans的cluster_centers_正确映射到原始DataFrame？

我明白你碰到的麻烦了——预处理过程中调整了特征（删原列加二值化列），导致聚类用的特征顺序和原始DataFrame对不上，直接给cluster_centers_套原始列名自然会错位。下面给你一步步解决的办法，还有能避免下次踩坑的技巧：

第一步：先锁定聚类时用的真实特征列 #

你最后用来训练KMeans的那个DataFrame（就是做完标准化、二值化、删加列之后的），先把它的列名存下来，这才是和cluster_centers_对应的特征顺序：

# 假设这个处理后的DataFrame叫processed_df
cluster_feature_names = processed_df.columns.tolist()

然后先给聚类中心匹配正确的特征名：

import pandas as pd

# 先让聚类中心和处理后的特征列对应上
centers_df = pd.DataFrame(k_means.cluster_centers_, columns=cluster_feature_names)

第二步：映射回原始DataFrame的列 #

接下来要把这些聚类中心值对应回原始DataFrame的列，得根据你的预处理步骤拆分处理：

区分标准化列和二值化列处理 #

假设你是把原始的两列（比如colX、colY）换成了二值化列（比如colX_bin、colY_bin），剩下的列是标准化后的：

1. 先拆分出标准化列和二值化列：

# 按你的二值化列命名规则来筛选，这里假设后缀是_bin
scaled_cols = [col for col in cluster_feature_names if not col.endswith('_bin')]
bin_cols = [col for col in cluster_feature_names if col.endswith('_bin')]

2. 对标准化列做逆变换（注意要用处理后的特征顺序）：

# 先把标准化列按MinMaxScaler拟合时的原始列顺序排序（保证逆变换的维度正确）
scaled_cols_sorted = [col for col in scaler.feature_names_in_ if col in scaled_cols]
scaled_centers = centers_df[scaled_cols_sorted]

# 执行逆变换
scaled_centers_inversed = scaler.inverse_transform(scaled_centers)
scaled_centers_inversed_df = pd.DataFrame(scaled_centers_inversed, columns=scaled_cols_sorted)

3. 合并逆变换后的列和二值化列，再按原始DataFrame的列顺序排列：

# 合并两类列
merged_centers = pd.concat([scaled_centers_inversed_df, centers_df[bin_cols]], axis=1)

# 按原始DataFrame的列顺序重新整理，得到最终对应正确的聚类中心
final_centers = merged_centers[df.columns]

预防踩坑：用Pipeline封装预处理+聚类 #

下次别手动一步步改特征了，用SKLearn的Pipeline和ColumnTransformer把预处理和聚类封装在一起，它会自动跟踪特征顺序，根本不会出现列错位的问题：

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import MinMaxScaler, Binarizer
from sklearn.compose import ColumnTransformer
from sklearn.cluster import KMeans

# 定义预处理：指定哪些列做标准化，哪些做二值化
preprocessor = ColumnTransformer(
    transformers=[
        ('scaler', MinMaxScaler(), ['feat1', 'feat4', 'feat5']),  # 替换成你要标准化的列
        ('binarizer', Binarizer(threshold=0.5), ['feat2', 'feat3'])  # 替换成你要二值化的列
    ])

# 把预处理和KMeans打包成Pipeline
pipeline = Pipeline(steps=[
    ('preprocessor', preprocessor),
    ('kmeans', KMeans(n_clusters=4))
])

# 直接用原始DataFrame训练
pipeline.fit(df)

# 获取处理后的特征名，和聚类中心对应
processed_feature_names = pipeline.named_steps['preprocessor'].get_feature_names_out()
centers_df = pd.DataFrame(pipeline.named_steps['kmeans'].cluster_centers_, columns=processed_feature_names)

# 要逆变换的话，直接从Pipeline里取对应的scaler
scaler = pipeline.named_steps['preprocessor'].named_transformers_['scaler']
# 提取标准化后的聚类中心列，去掉前缀
scaled_centers = centers_df.filter(regex='scaler__')
scaled_centers.columns = [col.replace('scaler__', '') for col in scaled_centers.columns]
# 逆变换
scaled_centers_inversed = scaler.inverse_transform(scaled_centers)
scaled_centers_inversed_df = pd.DataFrame(scaled_centers_inversed, columns=scaled_centers.columns)

# 提取二值化列，去掉前缀
bin_centers = centers_df.filter(regex='binarizer__')
bin_centers.columns = [col.replace('binarizer__', '') for col in bin_centers.columns]

# 合并后按原始列顺序排列
final_centers = pd.concat([scaled_centers_inversed_df, bin_centers], axis=1)[df.columns]

这样整个流程都被标准化管理，特征顺序不会乱，后续维护也方便。

内容的提问来源于stack exchange，提问作者Tomi Gelo