目录

一、前言

二、数据集说明

三、案例一：KMeans聚类 + 轮廓系数选最优K值

3.1 完整可运行代码

3.2 代码逐行通俗讲解（新手必看）

1）文件读取参数说明

2）核心代码解析

3.3 新手高频问题解答

四、案例二：DBSCAN密度聚类 + 数据标准化

4.1 完整可运行代码

4.2 关键知识点：为什么DBSCAN一定要标准化？

4.3 DBSCAN参数说明

五、KMeans vs DBSCAN 两大聚类算法对比

六、全文核心知识点总结（背诵即可）

七、补充优化代码（固定随机种子，结果永久不变）

八、结语

---

一、前言

聚类属于无监督学习，无需标签即可自动对数据进行分组，日常数据分析中最常用两种算法：KMeans划分式聚类、DBSCAN密度聚类。

本文基于啤酒数据集，从零实现两大聚类案例，同时讲解：

1. 轮廓系数silhouette_score怎么评估聚类效果

2. 循环遍历K值，绘制折线图寻找最优聚类数

3. 为什么DBSCAN必须做数据标准化StandardScaler

4. 新手代码高频报错点逐行解析

二、数据集说明

数据集：data.txt，以空格分隔，包含4个特征：热量(calories)、钠含量(sodium)、酒精浓度(alcohol)、单价(cost)，无分类标签，适合无监督聚类练习。

---

三、案例一：KMeans聚类 + 轮廓系数选最优K值

3.1 完整可运行代码

import pandas as pd
from sklearn.cluster import KMeans
from sklearn import metrics

# 1.读取数据集
beer=pd.read_csv('data.txt',sep=' ',encoding='utf8',engine='python')
print(beer.head())

# 2.提取聚类所需特征列
X=beer[["calories","sodium","alcohol","cost"]]

# 3.创建空列表存储不同K值对应的轮廓系数
scores=[]

# 4.循环遍历K=2~9，计算每一个聚类数的得分
for k in range(2,10):
    # 训练KMeans模型，获取每一样本的聚类标签
    labels=KMeans(n_clusters=k).fit(X).labels_
    # 计算轮廓系数，评估当前聚类效果
    score=metrics.silhouette_score(X,labels)
    scores.append(score)

# 打印所有K值对应的分数
print(scores)

# 5.绘制折线图，直观查看最优K值
import matplotlib.pyplot as plt
plt.plot(list(range(2,10)),scores)
plt.xlabel("Number of Clusters Initialized")
plt.ylabel('Silhouette Score')
plt.title("不同聚类数下轮廓系数变化曲线")
plt.show()

# 6.根据图像选择最优K=2，正式训练模型
km=KMeans(n_clusters=2).fit(X)
# 将聚类结果存入原数据表
beer['cluster']=km.labels_
# 计算最优K下最终轮廓系数
score=metrics.silhouette_score(X,beer.cluster)
print("KMeans最终轮廓系数：",score)

3.2 代码逐行通俗讲解（新手必看）

1）文件读取参数说明

• sep=' '：文件以空格作为分隔符

• encoding='utf8'：文件编码为utf-8，避免中文乱码

• engine='python'：切换python解析引擎，适配不规则空格分隔，避免读取报错

2）核心代码解析

• range(2,10)：KMeans聚类数遍历2-9，不建议K=1，单簇无评估意义

• KMeans(n_clusters=k).fit(X).labels_：链式写法，一步完成模型创建、训练、获取聚类标签；labels_带下划线，是训练后生成的属性，不能加括号

• metrics.silhouette_score(X,labels)：轮廓系数，取值[-1,1]，分数越接近1，聚类效果越好

• 画图逻辑：X轴为聚类个数K，Y轴为轮廓系数，折线最高点对应的K就是最优聚类数

3.3 新手高频问题解答

1. 为什么每次运行图片和分数都不一样？ KMeans初始聚类中心是随机选取的，每次训练结果不同；添加参数 random_state=123 即可固定随机种子，结果永久不变。

2. 为什么取多列必须双层中括号？ 单层括号取单列返回Series，双层中括号取多列返回DataFrame，聚类模型只能接收二维表格数据。

---

四、案例二：DBSCAN密度聚类 + 数据标准化

4.1 完整可运行代码

import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import DBSCAN
from sklearn import metrics

# 读取数据集
beer=pd.read_table('data.txt',sep=' ',encoding='utf8',engine='python')
print(beer.head())

# 提取特征
X=beer[["calories","sodium","alcohol","cost"]]

# 1.初始化标准化工具
scaler=StandardScaler()
# 2.拟合并转换数据：均值归一为0，标准差归一为1
X_scaled=scaler.fit_transform(X)

# 训练DBSCAN密度聚类
# eps：邻域半径；min_samples：核心点最小样本数
db=DBSCAN(eps=1.5,min_samples=2).fit(X_scaled)
# 获取聚类标签
labels=db.labels_

# 将聚类结果存入原数据
beer['cluster_db']=labels
# 排序查看聚类结果（-1代表噪声点）
print(beer.sort_values('cluster_db'))

# 计算DBSCAN轮廓系数
score=metrics.silhouette_score(X_scaled,beer.cluster_db)
print("DBSCAN最终轮廓系数：",score)

4.2 关键知识点：为什么DBSCAN一定要标准化？

原始数据四个特征量级差距极大：

• 热量calories：数值100+

• 酒精alcohol：数值0-10

• 单价cost：数值0-5

DBSCAN基于样本距离聚类，量级大的特征会直接主导距离计算，导致聚类完全失效。

StandardScaler标准化作用：将所有特征统一缩放为均值0、方差1，消除量纲影响，保证聚类公平性。

4.3 DBSCAN参数说明

• eps：邻域半径，搜索周边样本的距离范围

• min_samples：一个点成为核心点最少需要的样本数量

• 标签-1：代表离群噪声点，是DBSCAN独有优势，可自动识别异常值

---

五、KMeans vs DBSCAN 两大聚类算法对比

对比维度	KMeans	DBSCAN
是否需要提前指定聚类数	需要，需结合轮廓系数选K	不需要，自动根据密度分组
是否识别噪声点	不能，强制所有样本分组	可以，自动标记离群值(-1)
数据要求	适合球形簇，可不用标准化	必须标准化，对距离极度敏感
适用场景	数据分布规则、已知大致分类数	数据形状不规则、需要剔除异常值

---

六、全文核心知识点总结（背诵即可）

1. 轮廓系数silhouette_score：通用聚类评估指标，越大聚类效果越好，所有无监督聚类都可以用它打分

2. sklearn模型属性：训练后生成的结果都带下划线，如labels_，不能写labels/labels()

3. 标准化流程：scaler=StandardScaler() → X_scaled = scaler.fit_transform(X)，距离类聚类算法必加

4. 代码区别：KMeans需要手动找最优K；DBSCAN依靠密度自动聚类，自带异常检测

七、补充优化代码（固定随机种子，结果永久不变）

给KMeans添加random_state，解决每次运行结果不一致问题：

labels=KMeans(n_clusters=k,random_state=123).fit(X).labels_
km=KMeans(n_clusters=2,random_state=123).fit(X)

八、结语

本文完整复现了课堂/作业常用的两大聚类代码，覆盖数据读取、特征筛选、模型训练、效果评估、可视化全流程，适合Python机器学习新手入门，后续可以结合手肘法同时评估KMeans，进一步提升聚类准确性。

欢迎点赞收藏，有聚类相关报错可以评论区交流~