第四章：聚类分析——K-Means聚类、DBSCAN聚类、用户分群实践

说到用户画像，最核心的一步就是分群。说白了，就是把一堆看起来差不多的用户，按照他们的消费行为拆成几个有鲜明特征的群体。我做了这么多年数据分析，发现很多同学一上来就搞复杂的模型，结果连最基础的聚类都没搞明白。今天咱们就踏踏实实把K-Means和DBSCAN这两个最常用的聚类方法讲透。

4.1 聚类分析到底在干什么？

先问个问题：给你1000个用户的消费记录，你怎么把他们分成几类？

传统做法是拍脑袋定规则——「消费超过5000的是高价值用户」。但这样太粗糙了。聚类分析不一样，它让数据自己说话。算法会根据用户在各个维度上的相似度，自动把相近的用户归到一起。

我个人的习惯是，在做聚类之前先画个散点图看看数据分布。有一次我接手一个电商项目，直接跑K-Means，结果分出来的群完全没法解释。后来一查，数据里有明显的离群点，把聚类中心都带偏了。嗯，这个教训让我养成了先可视化再建模的习惯。

4.2 K-Means聚类：最经典的分群方法

K-Means的原理其实很简单。你想想看，假如要在平面上把一堆点分成K堆，最直观的做法是什么？

先随便选K个点作为「中心」，然后计算每个点到这些中心的距离，离谁近就归到谁那一堆。接着，重新计算每一堆的中心位置，再重新分配。重复这个过程，直到中心点不再变化。

这就是K-Means的全部逻辑。我刚开始学的时候觉得这算法太简单了，后来才发现，简单的东西往往最实用。

4.2.1 怎么选K值？

这是K-Means最头疼的问题。K值选不好，分出来的群要么太碎，要么太笼统。

我常用的方法是「肘部法则」。画一条曲线，横轴是K值，纵轴是每个样本到其所属簇中心的距离平方和（SSE）。随着K增大，SSE会下降。当曲线出现一个明显的「拐点」时，那个K值就是最佳选择。

举个例子：

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

# 假设X是你的用户特征数据
sse = []
for k in range(1, 11):
    kmeans = KMeans(n_clusters=k, random_state=42)
    kmeans.fit(X)
    sse.append(kmeans.inertia_)

plt.plot(range(1, 11), sse, marker='o')
plt.xlabel('K值')
plt.ylabel('SSE')
plt.title('肘部法则确定最佳K值')
plt.show()

我曾经在一个零售项目中用这个方法，发现K=4时曲线拐点最明显。但实际业务中，我们最终选了K=5。为什么？因为业务方说「4个群太少了，我们想多分一个高净值用户群」。你看，算法给的是参考，最终决策还是要结合业务。

4.2.2 K-Means的优缺点

优点	缺点
算法简单，计算速度快	需要预先指定K值
适合大数据集	对离群点敏感
结果容易解释	只能发现球形簇
收敛速度快	初始中心选择影响结果

这里要特别说一下「对离群点敏感」这个问题。我曾经处理过一个用户消费数据，有个用户一个月消费了100万，明显是异常值。如果不处理，K-Means会把整个聚类中心往那个方向拉，导致其他用户的分群完全失真。所以，跑K-Means之前，一定要先做数据清洗。

4.3 DBSCAN聚类：处理不规则形状的利器

K-Means有个硬伤——它假设簇是球形的。但现实中的数据哪有那么规整？用户的行为模式往往是奇形怪状的。

这时候DBSCAN就派上用场了。它不关心簇的形状，只关心点的密度。核心思想是：如果一个点周围足够密集，那它就是一个簇的核心；如果点周围很稀疏，那它就是噪声。

DBSCAN有两个关键参数：

• eps（邻域半径）： 多大的范围算「附近」
• min_samples（最小样本数）： 附近至少要有多少个点才算「密集」

我刚开始用DBSCAN的时候，调这两个参数调得想摔键盘。eps设大了，所有点都变成一个簇；设小了，全是噪声点。后来我总结了一个经验：先用KNN距离图来估计eps的合理范围。

from sklearn.neighbors import NearestNeighbors
import numpy as np

# 计算每个点的k近邻距离
neighbors = NearestNeighbors(n_neighbors=5)
neighbors_fit = neighbors.fit(X)
distances, indices = neighbors_fit.kneighbors(X)

# 排序后画图，找到拐点
distances = np.sort(distances[:, -1])
plt.plot(distances)
plt.xlabel('样本点')
plt.ylabel('第5近邻距离')
plt.title('KNN距离图——辅助确定eps')
plt.show()

这张图里，曲线突然上升的那个点对应的距离，就是eps的合理取值。为什么？因为密集区域的点，它们的近邻距离都很小；到了稀疏区域，距离会突然变大。这个拐点就是密集和稀疏的分界线。

4.4 用户分群实践：从数据到业务

好了，理论讲完了，咱们来点实际的。假设你手头有一份用户消费数据，包含以下字段：

• 月均消费金额
• 月均消费频次
• 最近一次消费距今天数（R值）
• 用户注册时长（月）

目标是：把用户分成3-5个有业务意义的群体。

4.4.1 第一步：数据预处理

先把数据标准化，然后用PCA降维到2维，方便可视化。这一步不是必须的，但能帮你直观看到聚类效果。

from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA

# 标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(df[['消费金额', '消费频次', 'R值', '注册时长']])

# PCA降维
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X_scaled)

4.4.2 第二步：跑K-Means

用肘部法则确定K=4，然后跑K-Means：

kmeans = KMeans(n_clusters=4, random_state=42)
labels = kmeans.fit_predict(X_scaled)

# 把聚类结果加回原始数据
df['cluster'] = labels

4.4.3 第三步：分析每个群体的特征

这一步最关键。不要只看聚类标签，要看每个群体在各个维度上的均值：

# 按聚类分组，计算均值
cluster_profile = df.groupby('cluster')[['消费金额', '消费频次', 'R值', '注册时长']].mean()
print(cluster_profile)

假设结果是这样的：

聚类	消费金额	消费频次	R值	注册时长	业务标签
0	高	高	低	长	高价值活跃用户
1	低	低	高	短	新注册低活跃用户
2	中	中	中	长	普通稳定用户
3	高	低	低	长	高价值沉睡用户

你看，聚类结果一下子就变得有业务意义了。高价值活跃用户要重点维护，高价值沉睡用户要召回，新用户要引导消费。每个群体都有对应的运营策略。

4.5 K-Means vs DBSCAN：什么时候用哪个？

我个人的选择标准很简单：

• 数据量大、簇是球形的、没有明显噪声： 用K-Means，又快又好
• 数据形状不规则、有大量噪声、不知道有几个簇： 用DBSCAN

但说实话，在用户分群这个场景里，我大部分时候用K-Means。为什么？因为用户行为数据经过标准化后，往往呈现出比较规整的分布。而且K-Means的结果更容易向业务方解释——「我们把用户分成了4类，每类的特征是这样的」，简单直接。

DBSCAN更适合那些数据质量不高、或者簇的形状很诡异的场景。比如地理位置的聚类，用户活动范围可能是任意形状的，这时候DBSCAN就比K-Means靠谱得多。

4.6 本章小结

聚类分析是用户画像的基石。K-Means简单高效，适合大多数场景；DBSCAN灵活鲁棒，能处理复杂形状的数据。但无论用哪个方法，记住三点：

1. 数据预处理比算法本身更重要
2. 聚类结果一定要结合业务解释
3. 没有完美的算法，只有合适的算法

嗯，这一章的内容就到这儿。聚类这东西，光看理论没用，你得动手跑一遍数据才能真正理解。下次遇到用户分群的需求，试试今天讲的这两个方法，你会发现数据真的会「说话」。

---