K-Means聚类K值怎么选：多指标证据链与工程实践

上次做一次分群复盘，投屏上刚放出那张四色散点图，就有人抬头问了一句：为什么是四个？当时我愣了两秒，因为我是拿肘部法扫了一遍，看到拐点落在 4 附近就定了，真要展开讲为什么不是 3 或 5，我手上没有能立刻端出来的证据。那次之后我把选 K 这件事重新捋了一遍，发现大部分教程只告诉你“画 inertia 曲线找肘部”，但真实数据里那条曲线经常顺滑得像一条直线，或者几个指标的结论互相打架，最后还是凭感觉拍板。

这篇讲的就是 K-Means 里 K 到底怎么定。核心不是给你一个万能公式，而是搭一套能自证、能复盘、能在会上被人追问时拿得出证据的流程：从 inertia 的单调性陷阱，到轮廓系数的计算代价与误读场景，再到 CH、DB、Gap Statistic 这几个补充指标各自的边界，最后落到业务约束、稳定性检验和下游验证。适合已经跑过sklearn.cluster.KMeans、但被问到“为什么是这个 K”就卡壳的人，也适合做用户分层、门店分级、颜色量化、库存分区、异常样本归组这类实际工作的人。代码用 Python 写，会照顾到新手，也会点出几个用了半年以上才踩到的细节。

1. K 的选择本质上是道证据题，不是求解题

1.1 K 是超参数，算法本身不负责告诉你它该是多少

先把一件事说清楚：K-Means 优化的目标函数是簇内平方和，也就是 inertia：

inertia = Σ_{i=1..K} Σ_{x ∈ C_i} || x - μ_i ||²

给定 K，算法做的事是在所有可能的划分里找一个让这个值尽量小的（EM 式的迭代只能保证局部最优）。K 从头到尾没参与优化，它是你输入进去的。这就好比你把一箱衣服往抽屉里塞，抽屉数量是你事先定好的，塞法再紧凑也不能反过来告诉你该买几个抽屉。很多人第一次接触 K-Means 时会下意识地觉得“跑完模型它应该告诉我分成几类”，这个预期本身就是错位的。

所以选 K 的过程，严格来说不是“求解”，而是“举证”。你要做的是收集多路证据，让某个 K 值在众多候选里显得最合理，并且这个合理性要能被重复验证。这也是为什么不同的人对同一份数据可能给出不同的 K，而两个人都不算错——只要各自的证据链是完整的。

理解了这一点，后面所有方法的位置就清楚了：它们都是证据，没有一个是判决书。

1.2 三类证据：内部指标、外部参照、业务约束

我习惯把选 K 的证据分成三类，它们的可信度和获取成本差别很大：

新手最容易犯的错是只盯着第一类，然后把内部指标的最优值当成结论。内部指标本质上是“几何紧凑度”的度量，它衡量的是这批点在当前特征空间里分得开不开，跟这些簇在业务上有没有意义完全是两码事。我见过特征工程做得粗糙时，轮廓系数在 K=8 上给出最高分，但那 8 个簇在业务上完全无法命名，最后还得退回到 K=4。

所以我的建议顺序是：先用内部指标把候选 K 缩到两三个，再用业务约束和外部参照做终审。不要把顺序反过来，也不要把三者混在一起算个加权分，那个加权系数没有意义。

1.3 自动选 K 的工具很多，但它们输出的都是建议值

现在有些库直接提供KMeans(n_clusters='auto')之类的接口，或者有自动化聚类工具一键给出簇数。这类工具内部通常是拿轮廓系数或者某个内部指标做网格搜索，本质上还是上面第一类证据。它们能帮你省掉写循环的时间，但省不掉判断。

我自己的做法是：自动化工具用来快速摸清数据的 K 大致落在什么区间，比如告诉我 3 到 6 之间，然后我再在这个区间里做细粒度的证据收集。把搜索区间从 1 到 20 缩到 3 到 6，能省下大量计算，也让后续的人工判断有的放矢。这一点在后面讲采样和稳定性的地方还会提到，因为高 K 段的计算成本增长是很快的。

2. 肘部法：inertia 曲线为什么总是没有肘

2.1 inertia 一定随 K 单调下降，找最小值注定失败

肘部法几乎是所有人第一个学到的方法，但它的前提经常被忽略：inertia 随 K 增大是单调不增的。原因很朴素，K 增加时，每个点所属簇的质心集合是原有集合的超集，最近质心的距离只会更近或者不变，不可能变远。极端情况 K 等于样本数时，每个点自成一簇，inertia 严格等于 0。

这意味着如果你用“选 inertia 最小的 K”作为准则，答案永远是 K=n，毫无意义。肘部法真正依赖的是一个经验假设：随着 K 增大，inertia 的下降速度在某个点会发生明显的转折，转折之前的 K 增加能带来大幅收益，转折之后边际收益骤降。这个转折点就是所谓的“肘”。

问题在于，这个转折是数据分布的一种性质，不是必然存在的。当簇本身大小均匀、边界清晰时，转折会比较明显；当簇的密度差异大、存在层级嵌套结构、或者数据本来就更接近连续分布时，曲线会非常平滑，压根没有肘。

2.2 从肉眼判断到量化计算：log 变换加二阶差分

肉眼找肘的问题是不可复现——同一条曲线，三个人能指出三个肘。所以我会用一个简单可复现的方式替代肉眼看：对 inertia 取对数压缩量纲，然后看二阶差分（曲率）最大的位置。

import numpy as np from sklearn.cluster import KMeans def inertia_curve(X, ks=range(1, 11), n_init=10, random_state=42): curve = {} for k in ks: km = KMeans(n_clusters=k, n_init=n_init, random_state=random_state) km.fit(X) curve[int(k)] = float(km.inertia_) return curve def elbow_by_curvature(curve): ks = np.array(sorted(curve.keys()), dtype=float) y = np.log(np.array([curve[int(k)] for k in ks], dtype=float)) first = np.diff(y) / np.diff(ks) # 一阶差分，近似斜率 second = np.diff(first) # 二阶差分，近似曲率 # second[i] 对应区间 [ks[i+1], ks[i+2]]，映射回 K 加 1 idx = int(np.argmax(second)) + 1 return int(ks[idx]), dict(zip(ks.astype(int), first.round(4)))

这里有两个细节值得说明。取对数的原因是 inertia 的量级随 K 变化很大，K=2 到 K=3 的绝对下降量往往是 K=9 到 K=10 的几十倍，不压缩的话曲率几乎全被前面的点主导。二阶差分取最大而不是取绝对值最大，是因为我们关心的是“下降速度变慢得最厉害”的那个拐点，对应的是曲率由负转正的过程。

不过这个方法仍然只是把肉眼判断换成了可复现的规则，它给出的仍然是个建议值。如果 curve 里 K=1 被包含进去，第一个一阶差分往往极大，会把二阶差分的第一项拉得很异常，建议在计算曲率时把 K=1 排除，从 K=2 开始扫。

2.3 曲线太顺滑时的三条出路

当 inertia 曲线平滑得根本没有拐点时，硬找肘是没有意义的。我试过几种处理方式，按有效性排序：

第一，换指标。曲线平滑往往说明簇结构不是“紧凑且分离”的那种，轮廓系数或者密度类方法可能给出更有区分度的信息。这时候还死磕肘部法属于方向错了。

第二，把 K 的范围放到“有物理意义的区间”里再看。比如用户分层场景，业务上最多能运营 6 个层级，那就只看 K=2 到 6，此时曲线在这个窄区间里的相对斜率变化往往比全区间明显得多。

第三，检查数据本身是否被少数极值或量纲过大的特征主导。这是我踩过的最多的坑：如果某个特征的方差是其他特征的几百倍，inertia 几乎完全由它决定，曲线自然平滑。做一次标准化再扫一遍，肘往往就出来了。关于预处理的细节，第 6 节会展开。

还有一类情况比较隐蔽：数据本身存在层级嵌套结构，比如大区下面有小区，大区内的点已经足够紧凑，算法在 K 等于大区数时就把 inertia 压得很低了，接下来再怎么增加 K 收益都很小。这种时候 K 的选择取决于你要回答的是哪一层的问题，不是纯数学能定的事。

3. 轮廓系数：信息量最大，也最容易被误读

3.1 a 和 b 到底量的是什么

轮廓系数是内部指标里我最常用的一个，因为它的定义直观，而且能给出每个样本级别的诊断。对每个样本 i：

• a(i)：i 到同簇其他点的平均距离，衡量“跟自家人有多生分”；
• b(i)：i 到最近邻簇所有点的平均距离，衡量“跟外家人有多亲近”；
• s(i) = (b(i) - a(i)) / max(a(i), b(i))，取值 [-1, 1]。

s(i) 接近 1 说明点离自己簇很近、离别的簇很远，划分合理；接近 0 说明它正好在两个簇的边界上；负值说明这个点被分到的簇还不如隔壁簇合理，属于疑似错分。

整份数据的轮廓系数就是所有 s(i) 的平均。取最大平均值的 K 作为推荐值，这是标准做法。但比这个平均值更有用的是看silhouette_samples的分布：如果某个 K 下平均分不错，但有一整个簇的样本 s(i) 都是负数，那说明 K 少了，那一块本该拆成两个。

3.2 O(n²) 的代价，以及采样时的两个细节

轮廓系数要算成对距离，复杂度是 O(n²)。n 到几万以上就直接卡住了，十万条基本上没有实用价值。sklearn.metrics.silhouette_score提供sample_size参数，可以只在一个随机子集上计算。

关于采样，有两点需要注意。一是sample_size必须小于样本总数，等于或者大于都会抛出异常，所以调用前最好加个min(n, sample_size)。二是采样必须固定random_state，否则同一个 K 跑两次得分不同，你会误以为是模型不稳定，实际上是采样噪声。

from sklearn.metrics import silhouette_score, silhouette_samples from sklearn.cluster import KMeans def silhouette_curve(X, ks=range(2, 11), sample_size=20000, random_state=42): n = X.shape[0] size = min(sample_size, n - 1) if n > 2 else None result = {} for k in ks: km = KMeans(n_clusters=k, n_init=10, random_state=random_state).fit(X) labels = km.labels_ if len(set(labels)) < 2: result[int(k)] = None continue result[int(k)] = float( silhouette_score(X, labels, sample_size=size, random_state=random_state) ) return result

采样规模的经验值是两万到五万。再小的话，小簇可能根本抽不到几个点，得分失真；再大的话，边际收益递减而耗时会明显增加。另外要留个心：如果簇本身规模极不均衡，比如最大的簇占 80%、最小的簇只有 1%，随机采样容易把最小簇抽没，这时候应该分层采样，每个簇至少抽几十个点。

3.3 它会在什么形状的簇上给你错误结论

轮廓系数的底层是欧氏距离，它天然偏好球形、紧凑、密度相近的簇。遇到下面几种结构时，它会给出误导性的结论：

长条形或者环形结构。想象两个月牙互相嵌套的数据，K-Means 无论如何都切不好，轮廓系数在 K=2 时可能只有 0.3，而 K=4 时反而因为切得更碎而升到 0.4。这时候你会被引导到一个错误的方向——问题不在 K，在于 K-Means 这个算法假设就不成立。

簇的密度差异巨大。一个紧密的小簇旁边挂着一个松散的大簇，轮廓系数会系统性地给大簇里的点打低分，因为它们到同簇边缘点的距离本来就大。这种情况下即使 K 完全正确，平均分也可能只有 0.3 左右，你不能因此判定聚类失败。

维度很高的时候。这一点在第 7 节展开，简单说就是高维下所有点对之间的距离趋同，a 和 b 都接近于同一个数，s(i) 趋近 0，整个指标失去区分度。

我的判断标准大致是：轮廓系数在 0.5 以上算划分清晰，0.3 到 0.5 是可用但需要结合业务校验，0.3 以下要么换特征、要么换算法、要么承认数据本身没有明显的分群结构。但这只是经验阈值，具体领域差异很大，图像颜色量化里 0.2 分也可能完全可用，因为颜色空间本身是连续渐变的。

4. 换几把尺子量：CH、DB、Gap 的适用边界

4.1 Calinski-Harabasz：算得最快，但也最吃球形假设

CH 指数（也叫方差比准则）的定义是簇间离散度与簇内离散度的比值：

CH(k) = [tr(B_k) / (k - 1)] / [tr(W_k) / (n - k)]

其中 B_k 是簇间散布矩阵，W_k 是簇内散布矩阵，tr 表示迹。直观理解就是：簇和簇之间分得越开、簇内部越紧凑，这个比值越大。所以 CH 是越大越好。

它的最大优势是快——只需要簇内和簇间的平方和，不需要成对距离，复杂度接近 O(n·d)，比轮廓系数低一个量级，几十万条数据也能秒出。缺点是它同样基于欧氏距离和方差分解，对球形假设敏感，而且分母里的n - k意味着 K 接近 n 时数值会被放大，所以扫描范围不宜设得过大，我一般不超过 K=15。

另外 CH 在 K=1 时无法计算，因为分母k - 1为 0，要跳过。

4.2 Davies-Bouldin：越小越好，对离群点敏感

DB 指数的思路是：对每个簇，找跟它“最像”的那个簇（相似度定义为簇内平均离散度之和除以两簇质心距离），然后对所有簇取这个最大相似度的平均。值越小说明簇之间分得越开、簇内越紧。

from sklearn.metrics import calinski_harabasz_score, davies_bouldin_score def ch_db_curve(X, ks=range(2, 11), random_state=42): rows = [] for k in ks: km = KMeans(n_clusters=k, n_init=10, random_state=random_state).fit(X) labels = km.labels_ if len(set(labels)) < 2: continue rows.append({ "k": int(k), "CH": round(float(calinski_harabasz_score(X, labels)), 1), "DB": round(float(davies_bouldin_score(X, labels)), 4), }) return rows

DB 的一个特点是它把“最坏的那个邻居”放大处理，所以对离群点和噪声比较敏感。如果你的数据里有少量极端值，DB 在不同 K 之间的波动会比较大，容易选出一个看起来很小、实际不稳定的 K。这也是为什么我通常会把 DB 作为辅助指标，而不是主判据。

数值范围上，DB 一般落在 0.5 到 2 之间，小于 1 可以认为簇间分离得不错。但这个阈值在不同数据上差异很大，还是看曲线本身的相对变化更可靠。

4.3 Gap Statistic：拿随机数据当基准线

Gap Statistic 的思路跟前面几个都不一样，它引入了随机参照。核心想法是：如果数据里真的有 K 个簇，那么在这 K 个簇上的聚类紧密度应该明显好于在同样形状的随机均匀数据上做 K 簇聚类的紧密度。这个“好于”的程度就是 Gap：

Gap(k) = E*[log W_k] - log W_k

其中 W_k 是簇内离差和，E* 是指在参考分布（通常是特征各维最小值到最大值之间的均匀分布）上采样 B 次得到的期望值。选 K 的规则是找最小的 k 使得 Gap(k) ≥ Gap(k+1) - s_{k+1}，其中 s 是考虑了蒙特卡洛误差的修正项。

def gap_statistic(X, ks=range(1, 11), n_ref=20, random_state=42): rng = np.random.default_rng(random_state) mins, maxs = X.min(axis=0), X.max(axis=0) log_w = {} for k in ks: km = KMeans(n_clusters=k, n_init=10, random_state=random_state).fit(X) log_w[int(k)] = np.log(km.inertia_ + 1e-12) ref_logs = {int(k): [] for k in ks} for _ in range(n_ref): X_ref = rng.uniform(mins, maxs, size=X.shape) for k in ks: km = KMeans(n_clusters=k, n_init=5, random_state=random_state).fit(X_ref) ref_logs[int(k)].append(np.log(km.inertia_ + 1e-12)) gaps, sds = {}, {} for k in ks: arr = np.array(ref_logs[int(k)]) gaps[int(k)] = float(arr.mean() - log_w[int(k)]) sds[int(k)] = float(arr.std() * np.sqrt(1 + 1.0 / n_ref)) return gaps, sds

Gap 的理论基础是这几个方法里最扎实的，它不需要假设簇的形状，能够识别出真正的“无结构”（此时最优 K 会是 1）。代价是计算量：要跑 B 次参考数据的完整聚类，B 通常取 20 到 50，等于计算量翻了 20 到 50 倍。所以只在候选 K 已经收窄到两三个的时候用它做最终确认比较划算。

4.4 四个指标的横向对比与“一致区间”读法

把几个指标的特性放在一起看会更清楚：

我用得最多的读法是“一致区间”，而不是“取某个指标的最优值”。具体做法是把几个指标的最优 K 都标出来，看它们是否指向同一片区域。如果轮廓系数指向 4、CH 指向 5、DB 指向 4 到 5，那 4 到 5 就是一个可信区间；如果四个指标给出四个不同的答案，说明数据里的簇结构本身不清晰，这时候硬选一个 K 意义不大，应该回去看特征工程或者干脆换个聚类思路。

5. 让 K 站得住脚：业务约束、稳定性与下游验证

5.1 最小簇规模是第一条硬约束

这一条经常被忽略，但它是把“数学上合理”翻译成“业务上可用”的关键。如果 K=8 时有一个簇只有 3 个样本，那这个簇不管内部多紧凑，运营都没法针对它做动作。所以我一般会先算一个 K 的上界：

K_max = n / min_cluster_size

min_cluster_size取决于场景。用户分层通常不能少于总体的 1% 到 2%，门店分级可能要求每组至少几十家，颜色量化则几乎不设限（色值可以只有几个像素）。这个约束会把候选区间直接砍掉一大截，而且砍得有道理。

除了上界，还要检查每个簇的规模分布。我见过 K=5 时四个簇各占 20% 左右、剩下一个簇占 20% 但内部方差极大——这种情况通常说明应该把这个大簇再拆开，K 加到 6。

5.2 Bootstrap 重采样看 K 是不是数据里真实存在的结构

内部指标回答的是“这个划分紧不紧凑”，稳定性回答的是另一个问题：“换一批同样来源的样本，还能不能得到同样的划分”。这两个问题的答案是独立的，一个 K 可能很紧凑但不稳定，也可能不那么紧凑但非常稳定。后者往往更有价值，因为它意味着结构是数据生成过程里真实存在的，而不是这次抽样恰好呈现的。

做法是：对每个候选 K，从原始数据里有放回或者无放回地抽两个子集，各自聚类，然后在两个子集的交集样本上比较标签的一致性。用调整兰德指数（ARI）比较合适，因为它对标签编号的置换不敏感，也不需要两个划分的簇数相同。

from sklearn.metrics import adjusted_rand_score def stability_score(X, k, n_round=20, frac=0.8, random_state=42): rng = np.random.default_rng(random_state) n = X.shape[0] scores = [] for _ in range(n_round): i1 = rng.choice(n, size=int(n * frac), replace=False) i2 = rng.choice(n, size=int(n * frac), replace=False) common = np.intersect1d(i1, i2) if common.size < k * 2: continue m1 = KMeans(n_clusters=k, n_init=10, random_state=0).fit(X[i1]) m2 = KMeans(n_clusters=k, n_init=10, random_state=0).fit(X[i2]) pos1 = {v: p for p, v in enumerate(i1)} pos2 = {v: p for p, v in enumerate(i2)} l1 = [m1.labels_[pos1[c]] for c in common] l2 = [m2.labels_[pos2[c]] for c in common] scores.append(adjusted_rand_score(l1, l2)) return float(np.mean(scores)), float(np.std(scores))

ARI 在 0.8 以上可以认为非常稳定，0.6 到 0.8 算可用，0.5 以下就要警惕了。实践中最常见的情况是：K 从小到大增加时，稳定性先上升、在某个 K 达到峰值、然后下降。这个峰值点往往比轮廓系数的峰值更可靠，因为它直接反映了结构的可重复性。

5.3 有少量标注就先做外部验证

如果手上哪怕只有 3% 到 5% 的标注数据（人工打过分层的客户、已经确认过的设备故障类别），那一定要用它。方法很简单：在全部数据上聚类，然后在这些有标注的样本上算 ARI、NMI 或者 V-measure，看聚类结果跟真实标签的吻合程度。

这个做法有一个前提要说明：聚类给出的簇编号跟真实类别编号没有对应关系，所以不能用准确率。ARI 和 NMI 都是基于列联表的，对编号置换免疫，适合这个场景。V-measure 还能拆成同质性和完整性两个分量，能告诉你误差是“一个簇里混了多个真实类”还是“一个真实类被拆到多个簇”，诊断价值更高。

需要注意的是，标注样本本身如果有偏（比如人工只标了容易判断的那部分），外部验证的结论也会跟着偏。所以这一步的结论要谨慎解读，它是重要证据之一，不是绝对真值。

5.4 下游任务是终审，前面都是初筛

这是我这些年最深刻的一个体会：最终决定 K 的，应该是下游任务的效果，而不是任何内部指标。

举个例子，如果分群的目的是差异化投放，那可以给每个候选 K 算一个“簇间效果差异度”——比如各簇在某个关键行为指标上的方差，或者做一次方差分析看组间差异是否显著。K 从 3 增到 4 时这个差异度明显变大，说明多出来的那个簇确实承载了不同的行为模式；K 从 4 增到 5 时差异度几乎不变，说明第 5 个簇是冗余的，只是把一个簇切成了两块。

这个指标的好处是它直接衡量了你关心的事。内部指标再漂亮，如果下游效果没提升，那这个 K 就没有实际价值。我在做门店分级的时候就用过这个方法：轮廓系数在 K=5 上最高，但按分级的备货策略效果来看，K=6 明显更好，因为第六类门店虽然面积小，但周转特征非常独特，单独拆出来后策略能精准很多。最后定的是 6。

6. 一份能直接抄走的选 K 流水线

6.1 前置处理：标准化、去极值、必要时降维

在扫 K 之前，特征处理的好坏对结果影响比选 K 方法本身更大。K-Means 用欧氏距离，一个方差大的特征会主导整个距离计算。我见过最典型的情况是：用户表里有一个“累计消费金额”字段，范围从 0 到几十万，其他字段都是 0 到 1 的比例，不做标准化的话聚类结果完全由金额决定，分出来的簇本质上是金额分箱。

处理方式按顺序：

第一步，删除或者单独处理极端离群点。用 1% 和 99% 分位数做缩尾，或者对强偏态特征做log1p变换。这两步哪个先做取决于分布形状，我的经验是先看直方图，偏度绝对值大于 1 的做 log 变换。

第二步，标准化。StandardScaler是默认选择；如果数据里还有较多离群点，用RobustScaler（基于中位数和四分位距）更稳。

第三步，如果维度超过 30 到 50，考虑先做 PCA 降维到 10 到 20 维再聚类，或者用TruncatedSVD处理稀疏矩阵。降维不只是为了省算力，更重要的是缓解高维下距离失效的问题（第 7 节会讲）。

这三步做完，再开始扫 K 才有意义。反过来，如果扫出来的曲线很奇怪，第一件事就是回去检查预处理，而不是换指标。

6.2 固定 random_state 和 n_init，让不同 K 之间的比较是公平的

这一条看着琐碎，但它是最容易出错的地方。K-Means 的初始化是随机的，不同的初始质心会收敛到不同的局部最优。所以比较不同 K 时，每个 K 都必须用足够多的n_init让它收敛到接近全局最优的解，否则你比较的其实是“哪个 K 那次运气好”。

sklearn在 1.4 版本之后把n_init的默认值改成了'auto'，行为是 K 小于等于 1 时用 1 次，否则用 1 次——实际上相当于把默认值降下来了。老版本默认是 10。这个变化会直接影响你复现别人的代码，如果看到结果对不上，先查版本。我自己的习惯是显式写n_init=20，不依赖默认值。

random_state的作用是让整个过程可复现。注意它不能保证不同 K 之间的初始化相同（因为 K 不同，初始化时抽的质心数也不同），但它能保证同一个 K 每次跑出一样的结果，这对排查问题很重要。

6.3 完整流程代码

把上面的东西串起来：

import numpy as np import pandas as pd from sklearn.preprocessing import StandardScaler from sklearn.cluster import KMeans from sklearn.metrics import ( silhouette_score, calinski_harabasz_score, davies_bouldin_score, adjusted_rand_score, ) def select_k(X_raw, k_range=range(2, 11), min_cluster_frac=0.02, seed=42, n_init=20, n_boot=10): X = StandardScaler().fit_transform(X_raw) n = X.shape[0] k_hi = max(2, int(n * min_cluster_frac) and int(1 / min_cluster_frac)) rows = [] for k in k_range: if k > n // max(1, int(n * min_cluster_frac)): break km = KMeans(n_clusters=k, n_init=n_init, random_state=seed).fit(X) labels = km.labels_ sizes = np.bincount(labels) / n if sizes.min() < min_cluster_frac: continue sample_n = min(20000, n - 1) sil = silhouette_score(X, labels, sample_size=sample_n, random_state=seed) stab_mean, stab_std = stability_score(X, k, n_round=n_boot, random_state=seed) rows.append({ "k": k, "inertia": round(float(km.inertia_), 1), "silhouette": round(float(sil), 4), "CH": round(float(calinski_harabasz_score(X, labels)), 1), "DB": round(float(davies_bouldin_score(X, labels)), 4), "stab_mean": round(stab_mean, 4), "stab_std": round(stab_std, 4), "min_frac": round(float(sizes.min()), 4), }) return pd.DataFrame(rows).sort_values("k").reset_index(drop=True)

跑完之后会得到一张表，这是我实际工作时最常用的输出形态，比任何单条曲线都直观。

6.4 结果表怎么读

假设跑出来是这样一张表（数值为示例）：

读法是分层看。第一层看业务约束：min_frac低于 0.02 的 K 直接排除，这里 K=5 和 6 出局。第二层看指标一致性：在剩下的 2、3、4 里，轮廓系数、CH、DB 都指向 4，稳定性也在 4 达到峰值。第三层看边际收益：inertia 从 3 到 4 下降了 2600，从 4 到 5 只下降 1300，这个下降幅度接近减半，也支持 4 作为拐点。

三个层次的证据都指向 4，这个结论就比较扎实了。反过来，如果第一层排除后只剩 3 和 4，而轮廓系数指向 4、稳定性指向 3，那就需要回到下游任务上做验证，看哪个更好使。

7. 这些年踩过的坑，以及怎么绕开

7.1 拿不同预处理下的 inertia 直接比较

inertia 是有量纲的，特征尺度一变，它的绝对值就跟着变。我曾经在两次实验里分别用了标准化前后的数据，看到标准化后的 inertia 小很多，就误以为标准化让聚类效果变好了。实际上只是因为标准化压缩了数值范围，inertia 自然变小，跟划分质量毫无关系。

结论：inertia 只能在同样的特征空间里横向比较不同 K，跨预处理、跨特征集、跨样本量都不能比。

7.2 K=1 时轮廓系数直接抛异常

silhouette_score要求标签里至少有两个不同的簇，如果传进去全是同一个标签，会直接报错。写循环时如果不加保护，扫到 K=1 就崩了。所以扫描范围从 K=2 开始是最省事的做法，或者像我上面代码里那样先判断len(set(labels)) < 2再跳过。

顺带说一个更隐蔽的问题：silhouette_score还要求簇数小于样本数减一。数据量很小（比如只有几十条）又扫了较大的 K 时，这里会出错。

7.3 高维下所有点对的距离都趋同

这是一个数学上的必然，不是 bug。维度升高时，随机两点之间距离的分布会越来越集中，最近邻和最远邻的距离比值趋近于 1。表现出来就是轮廓系数在所有 K 上都差不多、CH 曲线几乎水平、聚类结果对 K 极不敏感。

判断方法很简单：随机抽一批点，算它们两两距离的均值和标准差，看变异系数（标准差除以均值）。如果这个值低于 0.1，基本可以确认距离已经失去区分度了。这时候的正确动作是先降维，或者换特征，而不是继续调 K。

7.4 同一个 K 跑两次结果不同，误判成 K 不稳定

我早期做过一次很尴尬的复盘：同一个 K=4 跑了两遍，簇的规模差了将近一倍，我以为是这个 K 本身不稳定，实际上是因为第一次用了默认n_init、第二次手动设了 1。局部最优一旦落进去，结果就完全不一样了。

排查顺序：先确认n_init够不够（20 起步），再确认random_state有没有设，最后才怀疑数据本身。另外，如果不同随机种子下n_init=20的结果仍然差异很大，那说明这个 K 下的解确实不唯一，是数据里存在多个差不多好的划分，这本身就是一条信息——说明 K 可能偏大，或者数据本身没有清晰边界。

7.5 用 MiniBatch 粗筛、用完整 KMeans 定案，两边数值不能混着比

数据量大的时候，用MiniBatchKMeans扫 K 是常规操作，速度快一个量级。但它的 inertia 是抽样估计出来的，比完整KMeans偏高，而且跟batch_size的设置有关。所以不能拿 MiniBatch 的 inertia 曲线去跟完整 KMeans 的曲线画在一张图里对比，也不能用 MiniBatch 结果去跟别的 K 的完整结果做数值比较。

正确的用法是：MiniBatch 只用来做粗筛，把 20 个候选 K 缩到 3 到 5 个，然后用完整 KMeans 在这几个候选上重跑一遍，所有最终指标都基于完整版本。我在第 6 节的脚本里用的都是完整KMeans，就是为了避免这种不可比。

7.6 把“肘”当成客观存在的事实

最后一条不是技术问题，是心态问题。肘部法之所以叫“肘部”，是因为它长得像胳膊肘，这本身就是一个视觉隐喻，不是数学定义。同一条曲线，你觉得拐在这，别人觉得拐在那，谁也不比谁更对。

承认这一点之后反而好办事了：与其争论拐点在哪，不如把多路证据摆出来，让 K 的选择变成一件可讨论、可复盘的事情。我现在的习惯是每次定 K 的时候留一段简短的记录——候选区间是什么、各指标分别指向哪个 K、最后为什么选了某个值、被排除的候选是因为什么原因。这段记录在下次有人问“为什么是 4”的时候，能省掉大量重新推导的时间。

还有一个我常用的技巧，跟 K 本身没有直接关系但很实用：定完 K 之后，把每个簇的质心在原始特征尺度上还原出来，逐个人工读一遍。如果某个簇的质心组合在业务上根本说不通（比如“高消费 + 零活跃 + 新注册”这种自相矛盾的画像），那基本可以确定这个簇是几个不同人群被硬粘在一起的，需要把 K 加一试试。质心的可解释性有时候比所有量化指标都更能说明问题。