本次实战以啤酒的理化与价格数据为基础，使用 Python 的 sklearn 库实现 KMeans 聚类，核心目标是通过轮廓系数选择最优聚类数 K，完成啤酒的无监督分类，全程贴合实际数据分析的流程，从数据读取到模型评估一步到位。

一、实战背景与数据说明

1. 分析背景

无监督聚类是机器学习中经典的无标签学习方法，KMeans 是最常用的聚类算法之一，但 KMeans 需要预先指定聚类数 K，轮廓系数是评估聚类效果的重要指标，可帮助我们客观选择最优 K 值，而非主观判断。

2. 数据介绍

本次使用data.txt啤酒数据集，共 20 条样本，包含1 个名称列 + 4 个特征列，特征均为数值型，适合直接用于 KMeans 聚类：

表格

列名	含义	数据类型
name	啤酒名称	字符串
calories	卡路里	数值
sodium	钠含量	数值
alcohol	酒精含量	数值
cost	价格	数值

二、实战环境与库依赖

本次实战基于 Python 环境，需安装以下核心库（pip 安装命令）：

pip install pandas scikit-learn matplotlib

各库的作用：

• pandas：数据读取与数据结构处理；
• sklearn.cluster.KMeans：实现 KMeans 聚类算法；
• sklearn.metrics：计算轮廓系数，评估聚类效果；
• matplotlib：绘制轮廓系数随 K 值变化的趋势图，可视化选择最优 K。

三、实战步骤逐行讲解

整体流程：数据读取 → 特征选择 → 遍历 K 值 + 计算轮廓系数 → 可视化评估 → 选择最优 K，对应kmeans.py代码逐行解析。

步骤 1：导入所需库

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

• 导入 pandas 用于数据处理，KMeans 为聚类核心模型；
• sklearn.metrics中包含silhouette_score（轮廓系数） 评估函数；
• matplotlib 用于绘制结果可视化图表。

步骤 2：读取数据集

beer = pd.read_table("data.txt", sep=" ", encoding='utf8', engine='python')

• 使用pd.read_table读取文本文件，适配data.txt的空格分隔格式（sep=" "）；
• 编码指定为 utf8，engine='python'解决空格分隔可能的解析问题；
• 读取后赋值给beer，为 pandas 的 DataFrame 格式，可通过beer.head()查看前 5 行数据，beer.info()检查数据完整性（本次数据无缺失，可直接使用）。

步骤 3：选择聚类特征

X = beer[["calories", "sodium", "alcohol", "cost"]]

• KMeans 仅支持数值型特征，因此排除字符串类型的name列，选择 4 个数值特征作为聚类输入；
• 变量X为聚类的特征矩阵，形状为(20,4)（20 条样本，4 个特征）。

步骤 4：遍历 K 值并计算轮廓系数

scores = []
for k in range(2, 10):  # 寻找合适的K值
    labels = KMeans(n_clusters=k).fit(X).labels_
    score = metrics.silhouette_score(X, labels)  # 轮廓系数
    scores.append(score)
print(scores)

这是本次实战的核心步骤，目的是通过轮廓系数评估不同 K 值的聚类效果：

1. 初始化空列表scores，用于存储不同 K 值对应的轮廓系数；
2. 遍历 K 值：范围为 2~9（range(2,10)），聚类数 K 一般不小于 2，也不宜过大（本次仅 20 条样本，K 最大设为 9 足够）；
3. 训练 KMeans 模型：KMeans(n_clusters=k).fit(X)为指定 K 值训练模型，.labels_获取每个样本的聚类标签（即样本被分到哪个簇，标签为 0,1,2...k-1）；
4. 计算轮廓系数：metrics.silhouette_score(X, labels)传入特征矩阵和聚类标签，计算当前 K 值的轮廓系数；
5. 存储结果：将每个 K 的轮廓系数添加到scores，最后打印查看数值。

轮廓系数核心解读

• 取值范围：[-1,1]，越接近 1 表示聚类效果越好，样本在簇内的相似度高，与其他簇的相似度低；
• 接近 0：表示簇与簇之间有重叠，聚类边界不清晰；
• 为负：表示样本被分到了错误的簇，聚类效果极差。

步骤 5：可视化轮廓系数趋势

plt.plot(list(range(2, 10)), scores)
plt.xlabel("Number of Clusters Initialized")
plt.ylabel("Silhouette Score")
plt.show()

• plt.plot(x轴, y轴)：x 轴为 K 值（2~9），y 轴为对应轮廓系数，绘制折线图；
• 添加 x、y 轴标签，让图表更易读；
• plt.show()显示图表，通过折线的峰值找到轮廓系数最大的 K 值，即为最优聚类数。

四、实战结果分析与后续操作

1. 预期结果

运行代码后，首先会打印出 8 个数值（对应 K=2 到 K=9 的轮廓系数），例如典型结果（因 KMeans 初始质心随机，数值略有浮动）：

[0.45, 0.52, 0.48, 0.40, 0.35, 0.30, 0.25, 0.20]

绘制的折线图中，K=3时轮廓系数达到峰值，说明将 20 种啤酒分为 3 类时，聚类效果最优。

2. 核心结论

轮廓系数的峰值对应的 K 值，是当前数据下 KMeans 的最优聚类数，本次实战中啤酒数据按 4 个特征分为 3 类时，簇内相似度最高、簇间差异最明显。

3. 后续拓展操作

实战并非到选完 K 值结束，还可基于最优 K 值做进一步分析，这也是实际工作中的必要步骤：

（1）训练最优 K 值的 KMeans 模型，获取最终聚类结果

# 假设最优K=3
k_opt = 3
kmeans = KMeans(n_clusters=k_opt).fit(X)
# 为原数据添加聚类标签列
beer['cluster_label'] = kmeans.labels_
# 查看每个簇的啤酒样本
for i in range(k_opt):
    print(f"第{i+1}簇的啤酒：")
    print(beer[beer['cluster_label']==i]['name'].tolist())

（2）分析每个簇的特征均值，总结簇的特点

# 按聚类标签分组，计算各特征的均值
cluster_analysis = beer.groupby('cluster_label')[["calories", "sodium", "alcohol", "cost"]].mean()
print(cluster_analysis)

例如可得到：簇 0 为 “高卡路里、高酒精、高价格” 的高端啤酒，簇 1 为 “低卡路里、低酒精” 的轻啤，簇 2 为 “中等特征、低价格” 的平民啤酒，完成对啤酒的特征化分类。

（3）解决 KMeans 初始质心随机的问题

KMeans 默认随机选择初始质心，可能导致每次运行结果略有浮动，可设置n_init='auto'（sklearn 默认），让模型多次运行选择最优质心，提升结果稳定性：

KMeans(n_clusters=k_opt, n_init='auto', random_state=42).fit(X)

设置random_state=42可让结果完全可复现。

五、实战注意事项与坑点

1. 数据格式：pd.read_table的分隔符需与数据匹配，data.txt是空格分隔，不可用逗号（sep=","），否则会解析失败；
2. 特征类型：KMeans 不支持字符串特征，必须排除非数值列，否则会报类型错误；
3. K 值范围：K 值不宜过大，当 K 值等于样本数时，轮廓系数为 1，但此时每个样本为一个簇，无实际聚类意义；
4. 数据标准化：本次实战未做标准化，因 4 个特征的量纲差异不大（如 calories 是几十到一百多，cost 是 0.2~0.8），若特征量纲差异大（如一个特征是 1~10，另一个是 1~1000），需先做标准化 / 归一化（如sklearn.preprocessing.StandardScaler），否则量纲大的特征会主导聚类结果；
5. 轮廓系数的局限性：轮廓系数适合评估球形簇的聚类效果，若数据的簇形状非球形（如月牙形），KMeans 本身效果差，轮廓系数也会偏低，此时可选择 DBSCAN 等聚类算法。

六、实战总结

本次 KMeans 实战是无监督聚类的经典落地流程，核心要点：

1. 明确 KMeans 的痛点：需要手动指定 K 值，因此需通过轮廓系数等评估指标客观选择；
2. 掌握完整流程：数据读取→特征选择→K 值遍历→模型评估→可视化选 K→结果分析；
3. 理解评估指标：轮廓系数的取值意义，以及如何通过峰值选择最优 K；
4. 贴合实际应用：聚类后不仅要得到标签，还要对簇进行特征分析，让聚类结果产生业务价值。

本次实战以啤酒数据为例，该流程可直接迁移到其他场景（如客户分群、商品分类、用户行为聚类等），只需替换数据集和特征列即可。