4、K-Means实战：使用Python（Scikit-learn）对空气质量数据进行聚类

好了，前面我们聊了不少理论。什么K-Means原理、肘部法则、轮廓系数……说实话，光看理论容易犯困。我当年学的时候也是这样，看完一堆公式，脑子里全是问号：“这东西到底怎么用？”

今天咱们就来点实在的。直接上代码，用Python的Scikit-learn库，对真实的空气质量数据做一次完整的聚类分析。你跟着我走一遍，保证能上手。

4.1 准备工作：数据长什么样？

我选的是北京某监测站的PM2.5、PM10、SO₂、NO₂、CO、O₃这六项指标。数据是小时级别的，大概有几千条记录。你想想看，这些数据里藏着什么模式？

嗯，先看一眼数据的前几行：

import pandas as pd

df = pd.read_csv('air_quality.csv')
print(df.head())

PM2.5	PM10	SO₂	NO₂	CO	O₃
35	68	12	45	0.8	62
128	195	28	78	1.6	35
22	41	8	33	0.5	88

数据看起来挺规整的。但有个坑——不同指标的量纲差太多了。PM2.5是几十到几百，CO才零点几。如果不做标准化，聚类结果会被数值大的指标主导。我在项目中遇到过这种情况，当时没注意，结果分出来的簇全是按PM10的值排的，其他指标完全没起作用。

4.2 数据预处理：标准化 + 降维

我个人习惯先标准化，再考虑要不要降维。标准化很简单：

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
df_scaled = scaler.fit_transform(df)

标准化之后，数据就变成了“公平竞争”的状态。每个特征的权重都一样了。

至于降维，我建议先做一次PCA看看。为什么？因为高维数据可视化很困难，你没法直观地看到聚类效果。降到2维或3维，就能画图了。

from sklearn.decomposition import PCA

pca = PCA(n_components=2)
df_pca = pca.fit_transform(df_scaled)
print("解释方差比例:", pca.explained_variance_ratio_)

输出大概是这样的：

解释方差比例: [0.48, 0.22]

前两个主成分解释了70%的方差。嗯，够用了。剩下的30%信息虽然丢了，但为了可视化，这个代价可以接受。

4.3 确定K值：肘部法则 + 轮廓系数

K值怎么选？我一般两种方法都跑一遍，互相验证。

先看肘部法则：

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

inertias = []
for k in range(1, 11):
    kmeans = KMeans(n_clusters=k, random_state=42)
    kmeans.fit(df_scaled)
    inertias.append(kmeans.inertia_)

plt.plot(range(1, 11), inertias, marker='o')
plt.xlabel('K值')
plt.ylabel('惯性（Inertia）')
plt.title('肘部法则')
plt.show()

画出来的图，你会发现K=3或K=4的时候，曲线开始变平。这就是“肘部”。

再看轮廓系数：

from sklearn.metrics import silhouette_score

sil_scores = []
for k in range(2, 11):
    kmeans = KMeans(n_clusters=k, random_state=42)
    labels = kmeans.fit_predict(df_scaled)
    sil_scores.append(silhouette_score(df_scaled, labels))

plt.plot(range(2, 11), sil_scores, marker='s')
plt.xlabel('K值')
plt.ylabel('轮廓系数')
plt.title('轮廓系数分析')
plt.show()

轮廓系数越高越好。我跑出来的结果是K=3时轮廓系数最高，0.52左右。K=4时掉到了0.44。所以最终我选了K=3。

4.4 执行K-Means聚类

确定了K=3，接下来就是跑模型了：

kmeans = KMeans(n_clusters=3, random_state=42)
labels = kmeans.fit_predict(df_scaled)

# 把标签加回原始数据
df['cluster'] = labels
print(df['cluster'].value_counts())

输出：

cluster
0    1245
1     876
2     543

三个簇的样本量不一样。簇0最大，簇2最小。这说明什么？说明大部分时间空气质量是“一般”状态，极端污染或极端清洁的情况比较少。

4.5 可视化聚类结果

光看数字不够直观。咱们把聚类结果画在PCA降维后的二维平面上：

plt.figure(figsize=(10, 6))
scatter = plt.scatter(df_pca[:, 0], df_pca[:, 1], c=labels, cmap='viridis', alpha=0.6)
plt.colorbar(scatter)
plt.xlabel('主成分1')
plt.ylabel('主成分2')
plt.title('K-Means聚类结果（K=3）')
plt.show()

画出来的图，三个簇在空间上分得挺开的。簇0在中间偏左，簇1在右上角，簇2在右下角。边界清晰，说明聚类效果不错。

4.6 解读每个簇的含义

聚类不是终点，解读才是。我习惯把每个簇的均值算出来，看看它们各自代表什么“模式”。

cluster_means = df.groupby('cluster').mean()
print(cluster_means)

簇	PM2.5	PM10	SO₂	NO₂	CO	O₃
0	45	82	15	50	0.9	55
1	135	210	32	85	1.8	30
2	18	35	6	28	0.4	78

看这张表，一目了然：

• 簇0：中等污染。各项指标都在中间水平。这是最常见的状态。
• 簇1：重度污染。PM2.5高达135，PM10到210，CO也高。但O₃很低。这说明什么？说明污染源主要是燃煤和机动车排放，不是光化学污染。
• 簇2：清洁空气。所有污染物都很低，O₃反而高。嗯，这符合常识——清洁天气阳光充足，臭氧容易生成。

我曾经帮一个环保局做项目，他们拿到聚类结果后特别惊讶：“原来我们这儿的污染模式就三种！”后来他们根据这个结果，针对不同模式制定了不同的应急措施。比如簇1出现时，重点查燃煤和柴油车；簇2出现时，反而要提醒臭氧敏感人群注意防护。

4.7 避坑指南

最后，分享几个我踩过的坑：

• 随机种子要固定。 K-Means的初始中心点是随机选的。不固定种子，每次跑出来的结果可能不一样。我习惯设random_state=42。
• 不要直接对原始数据聚类。 量纲不同，结果会偏。标准化是必须的。
• K值不是越大越好。 有人觉得K越大，分得越细。但K太大，每个簇的样本太少，失去统计意义。而且过拟合了，换个数据集可能就不一样了。
• 聚类结果要结合业务解读。 光看数学指标没用。你得能解释“这个簇代表什么”。否则聚类就是一堆数字。

好了，这一章的内容就到这儿。代码你拿回去跑一遍，数据换成你自己的，看看能发现什么模式。嗯，动手试试吧。

---