立即登录 聚类模型在数据分析里看似基础，却是绕不开的核心能力。这篇文章想聊聊怎么用k-means做分析，分享一套完整的实战思路。
k-means的本质是一种无监督学习算法。它面对的是没有标签的数据，核心任务是让机器自动发现数据里隐藏的结构——不是等人去标注，而是让算法自己"看出"规律。
这种模型在实际中非常灵活。既能独立完成分析，也能给其他任务打前站。比如你想了解产品里用户的社交行为模式，光靠猜是没头绪的。把用户属性、行为数据丢进去聚类，每个簇自然对应一类社交群体。基于这些"发现"的类别再去训练分类模型，后续做个性化推荐或精细化运营就有了抓手。
一、k-means算法与距离
k-means的目标很明确：把n个观测点分成k个簇，让相似的数据聚在一起。每个簇有个质心，是所有点的均值位置；每个点归属到离自己最近的质心所在的簇。模型最终要找的是让"所有点到各自质心的距离平方和"最小的分法。这里要注意，特征变量必须是数值型的，否则没法算距离。
距离是衡量样本相似性的核心工具，把多维样本的比较压缩成一个数字，直观反映"远近"。常用的有几种：
欧几里得距离是最直观的直线距离，但对高维数据不太友好，某个维度上的大数值差会被放大。曼哈顿距离也叫出租车距离，横平竖直地走路程，对极端值不敏感，某些场景更稳健。汉明距离专门处理含有分类值的向量。余弦距离算的是两个向量夹角的余弦值，关注方向而非绝对大小——当相似性与特征的具体数值比例无关时，这个距离特别好用。
k-means名字里带个"means"，但本质不只是算距离。它每次迭代把质心移到簇内点的均值位置，核心是最小化方差和，而方差恰好就是欧几里得距离的平方。这里有个关键细节：如果换用其他距离度量，却仍坚持最小化方差和，算法就没法收敛。所以k-means天然绑定欧几里得距离，这不是巧合，是数学上的必然。
二、k-means算法原理
整个流程可以拆解成几步。先对数据做归一化、剔除异常值，然后随机选k个初始质心。接着每个点找离自己最近的质心，归到同一个簇里；再重新计算每个簇的质心位置，移到当前簇的中心。重复这两步，迭代直到"距离平方和"收敛到最小。
实际操作不会只跑一轮。通常会随机初始化多组质心，分别跑完整个流程，最后选总距离平方和最小的结果。比如尝试不同的随机初始化，得到聚类方案1、方案2……几轮下来，挑方差和最小的作为最终输出，避免陷入局部最优。
三、k值选择方法
k选多少，直接决定聚类效果。常见方法有肘部法则、拍脑袋法、Gap Statistic等，这里重点说肘部法则和轮廓系数。
肘部法则的做法是多试几个k值，把对应的损失函数画成折线图。横轴是k，纵轴是距离平方和。随着k增大，损失必然单调下降——簇越多，点离质心越近嘛。但下降速度会变缓，图上往往出现一个明显的"拐点"，像人的胳膊肘。比如k=5时曲线突然变平，那5就是个值得重点考虑的值。这个方法直观好懂，但"肘部"有时不明显，需要结合其他指标一起判断。
