聚类分析算法——K-means聚类详解

Ne0inhk

20 Mar 2026 — 13 min read

K-means 聚类是一种常用的基于距离的聚类算法，旨在将数据集划分为

个簇。算法的目标是最小化簇内的点到簇中心的距离总和。下面，我们将从 K-means 的底层原理、算法步骤、数学基础、距离度量方法、参数选择、优缺点 和 源代码实现 等角度进行详细解析。

1. K-means 的核心思想

K-means 的目标是将数据集划分为

个簇（clusters），使得每个数据点属于距离最近的簇中心。通过反复调整簇中心的位置，K-means 不断优化簇内的紧密度，从而获得尽量紧凑、彼此分离的簇。

核心思想

簇（Cluster）：K-means 通过最小化簇内距离的平方和，使得数据点在簇内聚集。一个簇是数据点的集合，这些点在某种意义上“彼此相似”。比如，可以将商场顾客分为“学生群体”“上班族”“退休老人”这三个簇。
簇中心（Centroid）：簇中心是簇中所有点的平均值，表示簇的中心位置。
簇分配和更新：K-means 通过反复迭代，调整簇的分配，使得簇内数据点与质心的距离尽可能小，逐步收敛。

如下图：

以簇中心为中心，划分范围

2. K-means 聚类的工作流程

2.1 核心思想

K-means 使用“最近距离”来分组：

随机选择 K 个质心（初始中心点）。
每个数据点分配到距离最近的质心所属的簇。
重新计算每个簇的质心。
重复步骤 2 和 3，直到质心不再变化（或达到指定的迭代次数）。

2.2 算法步骤（结合例子）

K-means 聚类的流程分为两个主要步骤：分配（Assignment）和更新（Update）。以下是详细步骤：

分配步骤（Assignment Step）：
对于数据集中的每个点，将它分配到最近的簇中心对应的簇。这里的“距离”通常使用欧氏距离（Euclidean distance）。
更新步骤（Update Step）：
根据当前的簇分配，重新计算每个簇的中心，即计算簇内所有点的均值作为新的簇中心。
重复 3 和 4 步：
不断重复分配和更新步骤，直到簇中心不再发生变化（收敛）或达到指定的最大迭代次数。

初始化簇中心：
随机选择

个数据点作为初始簇中心（centroids）。

选择 K 值：
设定簇的数量

。

例子：

假设我们有以下二维数据点，表示顾客的“消费金额”和“访问次数”：

数据点编号	消费金额（x）	访问次数（y）
点1	1	2
点2	2	1
点3	4	5
点4	5	6
点5	8	8

目标是将这些点分为 K=2 个簇。

第一步：初始化质心

随机选择两个点作为初始质心（假设选择点1 和点5）。
初始质心为：
- C1=(1,2)
- C2=(8,8)

第二步：分配簇

计算每个点到两个质心的欧几里得距离：

d=\sqrt{ (x_{1}-x_{2})^{2}+(y_{1}-y_{2})^{2}}

数据点编号	到 C1 的距离	到 C2 的距离	最近质心	分配簇
点1	0	8.49	C1	簇1
点2	1.41	8.06	C1	簇1
点3	4.24	5.0	C1	簇1
点4	5.0	4.24	C2	簇2
点5	8.49	0	C2	簇2

数据点编号	到 C1的距离	到 C2 的距离	最近质心	分配簇
点1	0	9.22	C1	1
点2	1.41	9.22	C1	1
点3	4.24	5	C1	1
点4	5.66	3.61	C2	2
点5	9.22	0	C2	2

分配结果：

簇1：点1、点2、点3
簇2：点4、点5

第三步：重新计算质心

对于每个簇，计算新质心的位置：

簇1 的质心：(平均x,平均y)=(1+2+4/3,2+1+5/3)=(2.33,2.67)
簇2 的质心：(平均x,平均y)=(5+8/2,6+8/2)=(6.5,7.0)

更新质心为：

C1=(2.33,2.67)
C2=(6.5,7.0)

第四步：重复分配与更新

再次计算每个点到新质心的距离，重复“分配簇”和“重新计算质心”步骤，直到质心不再变化。

最终结果：

簇1：点1、点2、点3
簇2：点4、点5

质心稳定在：

C1=(2.33,2.67)
C2=(6.5,6.0)

3. K-means 的数学公式

K-means 的目标是最小化簇内平方误差和（Within-Cluster Sum of Squares，WCSS），即每个点到其所属簇中心的距离的平方和，公式如下：

其中：

\left | \right |x-\mu _{i}\left | \right |^{2}

表示数据点

与簇中心

之间的欧氏距离平方。

是第

个簇的质心。

是属于

的数据点。

是第

个簇的点集。

是簇的数量。

欧氏距离

K-means 通常采用欧氏距离来衡量点到簇中心的距离，其公式为：

d\left ( x,\mu \right )=\sqrt{\sum_{j=1}^{n}\left ( x_{j}-\mu _{j} \right )^{2}}

其中 n 是数据的维度。

4. K-means 的伪代码

KMeans(X, K): 1. 随机选择 K 个点作为初始簇中心 2. 重复以下步骤，直到簇中心不再发生变化： a. 分配每个点到最近的簇中心 b. 重新计算每个簇的中心，作为簇内所有点的均值 3. 返回最终的簇分配和簇中心

分配步骤（Assignment Step）

对于每个数据点，找到距离最近的簇中心 μj：

c_{i}=arg \underset{j}{min}\left | \right | x_{i}-\mu _{j} \left | \right |

更新步骤（Update Step）

更新每个簇的中心

为簇内所有点的均值：

\mu _{j}=\frac{1}{\left | C_{j} \right |}\underset{x\in C_{j}}{\sum }x

5. K-means 的时间复杂度分析

总复杂度：若迭代次数为

，则总体复杂度为

。

更新步骤：重新计算每个簇的中心，需要遍历所有点，复杂度也是

。

每次分配步骤：需要计算每个点到

个簇中心的距离，复杂度为

。

6. K-means 的优缺点

优点

简单高效：适合大规模数据,处理大数据集时非常高效，具有良好的伸缩性。
收敛速度快：在适合的初始中心选择下，K-means 通常可以较快收敛。

缺点

对初始点敏感：初始簇中心的选择对最终结果影响较大。
非凸形状簇(球形簇)：K-means 假设每个簇是凸形且大小相近，不适合发现非凸形状的簇或大小差异很大的簇,如“月牙型”数据。
对噪声敏感：离群点会影响簇的中心计算。
局部最优：K-means不能保证全局最优，只能达到局部最优
数据种类限制：算法要求样本存在均值，限制了数据的种类

7. K 值的选择

确定最佳的簇数

是 K-means 聚类中的一个难点。常用的选择方法有：

轮廓系数（Silhouette Coefficient）：
衡量聚类结果的紧密度和分离度。通常，轮廓系数越高，聚类效果越好。
Calinski-Harabasz 指数：
衡量簇内的方差与簇间方差之比，值越大越好。

肘部法（Elbow Method）：
绘制不同 K 值下的 WCSS 图，寻找“肘部”点作为最佳

值。

下图可以发现当k=4或者5时是最佳的情况SSE图像下降幅度最大放缓的情况在4-5之间。

具体方法见我另一篇文章：使用肘部法则（Elbow Method）来确定最佳K值_elbow method for optimal k

8. Python 实现 K-means

我们可以使用 scikit-learn 中的 KMeans，以及手动实现以便更深入理解。

8.1 使用 scikit-learn 实现 K-means

from sklearn.cluster import KMeans import numpy as np # 生成示例数据 X = np.array([[1, 2], [2, 2], [3, 3], [8, 7], [8, 8], [25, 80]]) # 初始化并训练 KMeans 模型 kmeans = KMeans(n_clusters=2, random_state=0).fit(X) # 获取簇标签和簇中心 labels = kmeans.labels_ centroids = kmeans.cluster_centers_ print("Cluster labels:", labels) print("Centroids:", centroids)

输出：

Cluster labels: [0 0 0 1 1 1] Centroids: [[ 2. 2.33333333] [13.66666667 31.66666667]]

8.2 手动实现 K-means 算法

以下是 K-means 的核心逻辑手动实现：

import numpy as np def initialize_centroids(X, k): indices = np.random.choice(len(X), k, replace=False) return X[indices] def closest_centroid(X, centroids): distances = np.linalg.norm(X[:, np.newaxis] - centroids, axis=2) return np.argmin(distances, axis=1) def update_centroids(X, labels, k): return np.array([X[labels == i].mean(axis=0) for i in range(k)]) def kmeans(X, k, max_iters=100, tol=1e-4): centroids = initialize_centroids(X, k) for i in range(max_iters): labels = closest_centroid(X, centroids) new_centroids = update_centroids(X, labels, k) if np.all(np.abs(new_centroids - centroids) < tol): break centroids = new_centroids return labels, centroids # 示例数据 X = np.array([[1, 2], [2, 2], [3, 3], [8, 7], [8, 8], [25, 80]]) # 运行 K-means labels, centroids = kmeans(X, k=2) print("最终簇:", labels) print("质心位置:", centroids)

9. 收敛性与初始中心的选择

K-means 的收敛性受到初始簇中心选择的影响。K-means++ 是一种改进的初始化方法，可以帮助选择更合理的初始中心，优先选择“距离最远”的点作为初始质心，减少陷入局部最优的风险。

K-means++ 初始中心选择步骤

随机选择一个点作为第一个中心。
对于每个点，计算其与已选择中心的最小距离。对于每一个未被选中的数据点，计算其到已选中心的距离。具体来说，假设已经选择了 k 个聚类中心，接下来要选择第 k+1 个中心：
1. 计算距离：计算每个数据点到最近一个已选聚类中心的距离 D(x)，即对于数据点 x，计算其到已选择的所有质心的最短距离 D(x)，其中 C 是已选的聚类中心集合。
2. 加权选择下一个中心：根据每个数据点的距离 D(x) 的平方来选择下一个聚类中心，选择的概率与 D(x)的值的大小成正比。也就是说，距离当前已选聚类中心远的点，被选为新中心的概率更大。
重复步骤 2，直到选择 K 个聚类中心

为什么 K-means++ 更好？

避免了随机初始化的问题：传统的 K-means 算法是随机选择聚类中心，可能导致聚类中心选择得非常接近，这样会导致算法陷入局部最优解，或者聚类效果不好。K-means++ 通过加权选择，确保了初始聚类中心的分布更加均匀，从而减少了这种风险。
提高了收敛速度：由于初始聚类中心已经比较合理，K-means++ 通常能更快收敛。K-means 算法的收敛速度和初始中心的选择密切相关，选择较好的初始中心可以减少迭代次数。
更稳定的聚类结果：K-means++ 选择中心的方式使得最终聚类结果更加稳定，尤其在处理具有复杂结构或分布的数据时，相比传统的随机初始化方法，K-means++ 更能得到质量较高的聚类结果。

10. 总结

K-means 是一种简单、快速的聚类算法，广泛应用于数据聚类任务。通过反复优化簇中心位置，K-means 不断收敛并找到数据的聚类结构。然而，它对初始条件敏感，对簇形状有限制，适合于球形且均匀分布的簇。在实际应用中，可通过结合 K-means++、肘部法和轮廓系数等手段改进其效果。