3、K-Means聚类算法原理：算法步骤、距离度量、K值选择（肘部法则）

各位同学好，今天我们来聊聊K-Means聚类算法。说实话，这个算法是我入行环境数据分析时接触的第一个聚类方法。记得当时拿到一堆PM2.5和臭氧的监测数据，领导让我找出污染模式，我第一个想到的就是它。为什么？因为K-Means简单、直观、跑得快，而且效果往往还不错。

K-Means的核心思想其实很朴素：物以类聚，人以群分。你想想看，如果两个监测站点的污染特征很相似，那它们大概率属于同一个污染模式。K-Means就是帮我们把数据自动分成K个簇，让同一个簇内的样本尽可能相似，不同簇的样本尽可能不同。

3.1 算法步骤：四步走，简单粗暴

K-Means的算法步骤，我习惯把它总结为四步。这四步我在项目里反复用过，闭着眼睛都能写出来。

1. 初始化：随机选K个样本作为初始聚类中心。嗯，这里有个坑，我后面会讲。
2. 分配：计算每个样本到K个中心的距离，把它分给最近的那个中心。
3. 更新：重新计算每个簇的中心（其实就是取平均值）。
4. 迭代：重复第2步和第3步，直到中心不再变化，或者变化很小。

说白了，就是不断调整中心位置，直到每个簇都稳定下来。我做过一个实验，用某市一年的空气质量数据跑K-Means，迭代了大概15次就收敛了，速度非常快。

3.2 距离度量：欧氏距离是默认选项，但不是唯一选项

距离度量是K-Means的灵魂。你用什么距离，直接决定了聚类结果长什么样。

最常用的是欧氏距离，公式很简单：

d(x, y) = sqrt((x1 - y1)² + (x2 - y2)² + ... + (xn - yn)²)

我在处理PM2.5、PM10、SO₂、NO₂这四维数据时，默认就用欧氏距离。但有一次我遇到了一个问题——数据量纲差异太大。PM2.5的数值在0-500之间，而SO₂只有0-50。如果不做标准化，PM2.5会主导距离计算，SO₂几乎被忽略。

除了欧氏距离，还有曼哈顿距离和余弦相似度。曼哈顿距离对异常值更鲁棒，余弦相似度适合文本或方向数据。但在环境数据中，我个人99%的情况都用欧氏距离，简单有效。

3.3 K值选择：肘部法则，最实用的方法

K值怎么选？这是K-Means里最让人头疼的问题。你想想看，如果K选小了，不同污染模式混在一起；K选大了，又过度细分，失去意义。

肘部法则是我最推荐的方法。它的思路很简单：

• 尝试不同的K值（比如K=1到10）
• 计算每个K值对应的SSE（误差平方和），也就是所有样本到其簇中心的距离平方和
• 画一条K-SSE曲线，找到那个"拐点"——也就是肘部位置

为什么会有拐点？因为随着K增大，SSE会不断下降。但K超过某个值后，SSE下降速度会明显变慢。这个转折点，就是最合适的K值。

我给大家画了一张流程图，把K-Means的完整流程和肘部法则的关系展示出来：

这张图把整个流程串起来了。注意看，肘部法则是在聚类之前做的，它决定了K值。选好K之后，再跑K-Means迭代。

3.4 实战经验：肘部法则的坑与技巧

肘部法则虽然好用，但也不是万能的。我遇到过两种情况：

• 拐点不明显：有时候SSE曲线是平滑下降的，没有明显的肘部。这时候我会结合业务需求来定K值。比如做污染模式分析，K=3或K=4通常比较合理，对应轻度、中度、重度污染。
• 数据量太大：如果数据有几十万条，计算所有K值的SSE会很慢。我建议先采样，或者用Mini-Batch K-Means加速。

3.5 代码示例：用Python实现肘部法则

下面是我在项目中常用的代码片段，直接复制就能用：

from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt
import pandas as pd

# 加载数据（假设是环境监测数据）
data = pd.read_csv('air_quality.csv')
features = ['PM2.5', 'PM10', 'SO2', 'NO2']
X = data[features]

# 标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 肘部法则：计算不同K值的SSE
sse = []
K_range = range(1, 11)

for k in K_range:
    kmeans = KMeans(n_clusters=k, random_state=42)
    kmeans.fit(X_scaled)
    sse.append(kmeans.inertia_)  # inertia_就是SSE

# 画肘部图
plt.figure(figsize=(8, 5))
plt.plot(K_range, sse, 'bo-')
plt.xlabel('K值')
plt.ylabel('SSE（误差平方和）')
plt.title('肘部法则：选择最佳K值')
plt.grid(True)
plt.show()

跑完这段代码，你会看到一条曲线。找到那个拐点，就是你的K值。我个人习惯把拐点附近的K值都试一遍，对比聚类结果的可解释性，选最符合业务逻辑的那个。

3.6 小结

K-Means聚类算法，说白了就是三步：选K、算距离、迭代。肘部法则帮我们解决最头疼的K值选择问题。我在环境数据分析项目中，用这套方法成功识别出了不同季节的污染模式——比如冬季的燃煤型污染和夏季的光化学型污染，聚类结果非常清晰。

嗯，今天就讲到这里。记住一句话：K-Means不是银弹，但用好了，它是你工具箱里最趁手的那把螺丝刀。

---