K-Means实战：用Python给鸢尾花数据集自动分个类（附完整代码与可视化）
鸢尾花数据集（Iris dataset）是机器学习领域最经典的数据集之一，它包含了三种鸢尾花的四个特征：花萼长度、花萼宽度、花瓣长度和花瓣宽度。这个数据集常被用来演示分类和聚类算法。今天，我们将使用K-Means算法来自动对这些花进行分类，并通过可视化直观地展示聚类结果。
K-Means是一种无监督学习算法，它通过迭代将数据点分配到K个簇中，使得每个数据点都属于距离最近的簇中心。我们将从数据加载开始，一步步完成预处理、模型训练、评估和可视化的完整流程。无论你是机器学习初学者还是希望巩固知识的实践者，这个实战项目都能帮助你理解K-Means算法的实际应用。
1. 环境准备与数据加载
在开始之前，确保你已经安装了必要的Python库：
pip install numpy pandas matplotlib seaborn scikit-learn我们将使用scikit-learn内置的鸢尾花数据集：
from sklearn.datasets import load_iris import pandas as pd # 加载数据集 iris = load_iris() X = iris.data # 特征 y = iris.target # 实际类别（用于后续对比） # 转换为DataFrame方便查看 df = pd.DataFrame(X, columns=iris.feature_names) df['species'] = y print(df.head())输出示例：
sepal length (cm) sepal width (cm) petal length (cm) petal width (cm) species 0 5.1 3.5 1.4 0.2 0 1 4.9 3.0 1.4 0.2 0 2 4.7 3.2 1.3 0.2 0 3 4.6 3.1 1.5 0.2 0 4 5.0 3.6 1.4 0.2 0提示：虽然K-Means是无监督学习算法，但我们保留了实际类别标签（species），这将在后续帮助我们直观评估聚类效果。
2. 数据预处理与探索
良好的数据预处理是成功聚类的基础。让我们先进行一些基本的探索性分析：
import matplotlib.pyplot as plt import seaborn as sns # 特征分布可视化 plt.figure(figsize=(12, 6)) for i, feature in enumerate(iris.feature_names): plt.subplot(2, 2, i+1) sns.histplot(df[feature], kde=True) plt.title(f'Distribution of {feature}') plt.tight_layout() plt.show()从分布图中我们可以观察到：
- 花萼宽度（sepal width）近似正态分布
- 花瓣长度和宽度（petal length/width）呈现明显的双峰分布
- 不同特征的量纲相似，不需要特别进行标准化
接下来，我们使用散点图矩阵观察特征间的关系：
sns.pairplot(df, hue='species', palette='viridis') plt.show()从散点图中可以明显看出，花瓣长度和花瓣宽度对于区分不同种类鸢尾花最为有效。
3. 实施K-Means聚类
3.1 确定最佳K值
K-Means需要预先指定簇的数量K。我们可以使用肘部法则（Elbow Method）来确定最佳K值：
from sklearn.cluster import KMeans import numpy as np # 计算不同K值下的SSE（误差平方和） sse = [] k_range = range(1, 10) for k in k_range: kmeans = KMeans(n_clusters=k, random_state=42) kmeans.fit(X) sse.append(kmeans.inertia_) # SSE存储在inertia_属性中 # 绘制肘部曲线 plt.figure(figsize=(8, 5)) plt.plot(k_range, sse, 'bo-') plt.xlabel('Number of clusters (K)') plt.ylabel('Sum of squared distances (SSE)') plt.title('Elbow Method for Optimal K') plt.xticks(k_range) plt.grid() plt.show()从图中可以看到，当K=3时曲线出现明显的"肘部"，这与鸢尾花实际有三个种类的事实一致。
3.2 训练K-Means模型
基于肘部法则的结果，我们选择K=3：
# 训练K-Means模型 kmeans = KMeans(n_clusters=3, random_state=42) clusters = kmeans.fit_predict(X) # 将聚类结果添加到DataFrame df['cluster'] = clusters # 查看聚类中心 print("Cluster centers:") print(pd.DataFrame(kmeans.cluster_centers_, columns=iris.feature_names))3.3 评估聚类效果
我们可以使用轮廓系数（Silhouette Score）来评估聚类质量：
from sklearn.metrics import silhouette_score # 计算轮廓系数 score = silhouette_score(X, clusters) print(f"Silhouette Score: {score:.3f}") # 对比实际类别和聚类结果的分布 print("\nCluster distribution vs Actual species:") print(pd.crosstab(df['cluster'], df['species']))轮廓系数范围在[-1,1]之间，值越接近1表示聚类效果越好。我们的结果通常在0.5左右，说明聚类结构合理。
4. 结果可视化与分析
4.1 二维散点图可视化
我们选择两个最具区分性的特征（花瓣长度和宽度）进行可视化：
plt.figure(figsize=(12, 5)) # 实际类别分布 plt.subplot(1, 2, 1) sns.scatterplot(x='petal length (cm)', y='petal width (cm)', hue='species', data=df, palette='viridis') plt.title('Actual Species Distribution') # 聚类结果 plt.subplot(1, 2, 2) sns.scatterplot(x='petal length (cm)', y='petal width (cm)', hue='cluster', data=df, palette='viridis') plt.scatter(kmeans.cluster_centers_[:, 2], kmeans.cluster_centers_[:, 3], marker='x', s=200, c='red', label='Cluster Centers') plt.title('K-Means Clustering Results') plt.tight_layout() plt.show()4.2 三维可视化（可选）
对于更高维度的可视化，我们可以使用前三个主成分：
from sklearn.decomposition import PCA # 降维到3D pca = PCA(n_components=3) X_pca = pca.fit_transform(X) # 创建3D图 fig = plt.figure(figsize=(10, 7)) ax = fig.add_subplot(111, projection='3d') # 绘制聚类结果 scatter = ax.scatter(X_pca[:, 0], X_pca[:, 1], X_pca[:, 2], c=clusters, cmap='viridis', s=50) # 绘制聚类中心 centers_pca = pca.transform(kmeans.cluster_centers_) ax.scatter(centers_pca[:, 0], centers_pca[:, 1], centers_pca[:, 2], marker='x', s=200, c='red', label='Cluster Centers') ax.set_xlabel('Principal Component 1') ax.set_ylabel('Principal Component 2') ax.set_zlabel('Principal Component 3') plt.title('3D Visualization of K-Means Clustering') plt.legend() plt.show()4.3 聚类结果分析
通过对比实际类别和聚类结果，我们可以发现：
- 簇0主要对应setosa品种（完全匹配）
- 簇1主要对应versicolor品种（少量误判）
- 簇2主要对应virginica品种（部分与versicolor重叠）
这种混淆在花瓣特征的中等值区域尤为明显，反映了这些品种在形态上的自然重叠。
5. 高级话题：距离度量与算法优化
5.1 不同距离度量的影响
K-Means默认使用欧氏距离，我们也可以尝试曼哈顿距离：
from sklearn.metrics import pairwise_distances_argmin_min # 自定义使用曼哈顿距离的K-Means kmeans_manhattan = KMeans(n_clusters=3, random_state=42) clusters_m = kmeans_manhattan.fit_predict(X) # 计算轮廓系数 score_m = silhouette_score(X, clusters_m) print(f"Silhouette Score with Manhattan distance: {score_m:.3f}")在实际应用中，不同距离度量的选择取决于数据的特性：
- 欧氏距离：适用于各向同性的数据
- 曼哈顿距离：对异常值更鲁棒
- 余弦相似度：适用于高维稀疏数据
5.2 K-Means++初始化
默认的K-Means使用随机初始化，可能收敛到局部最优。K-Means++提供了更智能的初始化方式：
# 使用K-Means++初始化 kmeans_plus = KMeans(n_clusters=3, init='k-means++', random_state=42) clusters_plus = kmeans_plus.fit_predict(X) # 比较SSE print(f"SSE with random init: {kmeans.inertia_:.2f}") print(f"SSE with K-Means++ init: {kmeans_plus.inertia_:.2f}")K-Means++通常会找到更好的初始中心位置，减少所需的迭代次数。
5.3 处理不同尺度特征
虽然鸢尾花数据集各特征尺度相似，但在实际应用中，我们常需要标准化：
from sklearn.preprocessing import StandardScaler # 标准化数据 scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # 在标准化数据上运行K-Means kmeans_scaled = KMeans(n_clusters=3, random_state=42) clusters_scaled = kmeans_scaled.fit_predict(X_scaled) # 比较结果 print("\nCluster distribution with scaled features:") print(pd.crosstab(clusters_scaled, df['species']))标准化可以确保每个特征对距离计算的贡献相当，避免量纲大的特征主导聚类结果。
6. 实际应用建议
在真实项目中使用K-Means时，有几个实用技巧值得注意：
数据预处理：
- 处理缺失值（删除或填充）
- 考虑特征缩放（特别是当特征量纲不同时）
- 必要时进行特征选择或降维
模型调优：
- 多次运行取最优结果（n_init参数）
- 尝试不同的初始化方法
- 考虑使用MiniBatchKMeans处理大数据集
结果解释：
- 分析聚类中心的特征值
- 可视化检查聚类质量
- 结合业务知识验证聚类意义
常见陷阱：
- K值选择不当
- 忽略数据分布假设（K-Means假设簇是凸形且大小相似）
- 过度依赖轮廓系数等指标
# 完整代码示例 from sklearn.datasets import load_iris from sklearn.cluster import KMeans from sklearn.metrics import silhouette_score import matplotlib.pyplot as plt import pandas as pd # 加载数据 iris = load_iris() X = iris.data # 训练模型 kmeans = KMeans(n_clusters=3, random_state=42) clusters = kmeans.fit_predict(X) # 评估 score = silhouette_score(X, clusters) print(f"Silhouette Score: {score:.3f}") # 可视化 plt.scatter(X[:, 2], X[:, 3], c=clusters, cmap='viridis') plt.scatter(kmeans.cluster_centers_[:, 2], kmeans.cluster_centers_[:, 3], marker='x', s=200, c='red') plt.xlabel('Petal length (cm)') plt.ylabel('Petal width (cm)') plt.title('K-Means Clustering of Iris Dataset') plt.show()在实际项目中，我发现将K-Means与其他技术结合使用往往能获得更好效果。例如，可以先使用PCA降维再聚类，或者将聚类结果作为新特征输入到监督学习模型中。
