类分析是无监督学习的核心任务之一，本文将结合实际代码案例，介绍两种经典的聚类算法 ——K-Means 和 DBSCAN 的实现过程，并通过轮廓系数评估聚类效果。

数据准备

本文使用的数据集为data.txt，包含啤酒的calories（卡路里）、sodium（钠含量）、alcohol（酒精含量）、cost（成本）四个特征维度，首先通过 Pandas 读取数据：

import pandas as pd

# 读取数据集
beer = pd.read_table('data.txt', sep=' ', encoding='utf8', engine='python')
# 提取特征列
X = beer[['calories', 'sodium', 'alcohol', 'cost']]

K-Means 聚类

K-Means 是基于距离的划分式聚类算法，核心是通过迭代将数据划分为 k 个簇，使簇内数据距离最小、簇间距离最大。

1. 寻找最优 k 值

轮廓系数（Silhouette Coefficient）是评估聚类效果的重要指标，取值范围为 [-1,1]，越接近 1 表示聚类效果越好。我们遍历 k 值（2-9），计算对应的轮廓系数：

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

# 存储不同k值的轮廓系数
scores = []
for k in range(2, 10):  # 遍历2到9个簇
    # 训练K-Means模型并获取聚类标签
    labels = KMeans(n_clusters=k, random_state=42).fit(X).labels_
    # 计算轮廓系数
    score = metrics.silhouette_score(X, labels)
    scores.append(score)

# 打印各k值对应的轮廓系数
print("不同k值的轮廓系数：", scores)

# 可视化轮廓系数变化
plt.plot(list(range(2, 10)), scores)
plt.xlabel('Number of Clusters (k)')
plt.ylabel('Silhouette Score')
plt.title('Silhouette Score vs Number of Clusters')
plt.show()

2. 确定 k 值后执行聚类

根据轮廓系数结果，选择最优 k 值（示例中选择 k=2）执行最终聚类，并将结果合并到原数据：

# 训练最终K-Means模型
km = KMeans(n_clusters=2, random_state=42).fit(X)
# 将聚类标签添加到原数据框
beer['cluster'] = km.labels_

# 计算最终聚类结果的轮廓系数
final_score = metrics.silhouette_score(X, beer.cluster)
print("K-Means聚类（k=2）的轮廓系数：", final_score)

DBSCAN 聚类

DBSCAN（密度基于噪声的应用空间聚类）是基于密度的聚类算法，无需预先指定簇的数量，能自动识别离群点（噪声），核心参数为eps（邻域半径）和min_samples（邻域内最小样本数）。

from sklearn.cluster import DBSCAN
from sklearn import metrics

# 训练DBSCAN模型
"""
eps: 邻域半径，控制聚类的“密度”范围
min_samples: 邻域内最小样本数，低于该值则为噪声点（标签为-1）
labels: 聚类结果标签，-1表示离群点
"""
db = DBSCAN(eps=20, min_samples=2).fit(X)
labels = db.labels_

# 将聚类结果添加到原数据框
beer['cluster_db'] = labels
# 按聚类标签排序
beer_sorted = beer.sort_values('cluster_db')
print("DBSCAN聚类结果（按标签排序）：")
print(beer_sorted.head())

# 计算DBSCAN聚类的轮廓系数
db_score = metrics.silhouette_score(X, beer.cluster_db)
print("DBSCAN聚类的轮廓系数：", db_score)

算法对比与总结

特征	K-Means	DBSCAN
聚类类型	划分式（基于距离）	密度式
需指定参数	簇数量 k	邻域半径 eps、最小样本数
离群点处理	无（强制划分）	自动识别（标签 - 1）
适用数据分布	凸形簇	任意形状簇

注意事项

1. K-Means 对初始聚类中心敏感，建议设置random_state保证结果可复现；
2. DBSCAN 的eps参数需结合数据分布调整，过大易合并簇，过小易产生过多噪声；
3. 轮廓系数仅适用于数值型特征，且对数据尺度敏感，实际应用中建议先对特征标准化。

通过以上代码，可快速实现 K-Means 和 DBSCAN 聚类，并评估其效果，根据数据特点选择合适的算法能显著提升聚类质量。