Python 实战：肘部法则与轮廓系数可视化（K-Means 聚类最优 K 值选择）

在聚类分析中，K-Means 算法的核心难点是确定最优聚类数 K。肘部法则（Elbow Method）和轮廓系数（Silhouette Score）是两种最常用的 K 值选择方法 —— 肘部法则直观高效，轮廓系数兼顾聚类内聚性与分离性。本文将手把手教你用 Python 实现这两种方法的可视化，结合真实数据集快速找到最优 K 值，代码精简易上手，零基础也能轻松落地。

一、核心原理与环境准备

1. 核心逻辑

K 值选择的核心是'平衡聚类效果与复杂度'，两种方法的原理与流程如下：

关键概念说明：

• SSE（误差平方和）：每个样本到其聚类中心的距离平方和，SSE 越小表示聚类内聚性越好；肘部法则中，SSE 下降速率骤减的点即为'肘部'。
• 轮廓系数：取值范围 [-1,1]，系数越接近 1 表示样本聚类越合理，越接近 -1 表示样本可能分错类，0 表示样本在两类边界。
• 工具选择：scikit-learn（实现 K-Means 与指标计算）、pandas（数据处理）、matplotlib/seaborn（可视化）。

2. 环境准备

工具 / 依赖	版本要求	作用描述
Python	3.7+	核心运行环境
scikit-learn	0.23+	K-Means 聚类、SSE 与轮廓系数计算
pandas	1.0+	数据处理与加载
matplotlib/seaborn	3.0+/0.10+	可视化曲线绘制
numpy	1.18+	数值计算支持
pip	20.0+	Python 包管理工具

3. 依赖安装命令

打开终端执行以下命令，一键安装所需依赖：

pip install scikit-learn pandas matplotlib seaborn numpy

4. 数据集准备

选用 scikit-learn 内置的 make_blobs 生成模拟聚类数据集（含 4 个真实聚类中心），也可替换为自己的数据集（如 CSV 文件）：

# 生成模拟数据：1000 个样本，4 个聚类中心，每个样本 2 个特征
from sklearn.datasets import make_blobs
X, y_true = make_blobs(n_samples=1000, n_features=2, centers=4, cluster_std=0.6, random_state=42)

# 转换为 DataFrame（便于后续处理，可选）
import pandas as pd
data = pd.DataFrame(X, columns=["特征 1", "特征 2"])
print("数据集预览：")
print(data.head())
print(f"\n数据集形状：{data.shape}") # 输出：(1000, 2)

二、核心代码实现：肘部法则可视化

1. 肘部法则代码（计算 SSE + 绘制曲线）

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.cluster import KMeans

# 设置中文字体（避免中文乱码）
plt.rcParams['font.sans-serif'] = ['SimHei'] # Windows 系统
# plt.rcParams['font.sans-serif'] = ['Arial Unicode MS'] # Mac 系统
plt.rcParams['axes.unicode_minus'] = False

def elbow_method_visualization(X, k_range):
    """
    肘部法则可视化
    :param X: 聚类数据集（特征矩阵）
    :param k_range: K 值候选集（如 range(2, 11)）
    :return: 各 K 值对应的 SSE 列表
    """
    sse_list = [] # 存储各 K 值的 SSE
    for k in k_range:
        # 训练 K-Means 模型
        kmeans = KMeans(n_clusters=k, random_state=42, n_init=10) # n_init=10 避免局部最优
        kmeans.fit(X)
        # 计算 SSE（簇内平方和）
        sse = kmeans.inertia_ # KMeans 内置属性，直接获取 SSE
        sse_list.append(sse)
        print(f"K={k} 时，SSE={sse:.2f}")
    
    # 绘制肘部法则曲线
    plt.figure(figsize=(10, 6))
    sns.lineplot(x=k_range, y=sse_list, marker='o', linewidth=2, markersize=8, color='#2E86AB')
    
    # 标记肘部点（示例：K=4，可根据实际曲线调整）
    elbow_k = 4
    elbow_sse = sse_list[elbow_k - k_range.start]
    plt.scatter(elbow_k, elbow_sse, color='#E74C3C', s=200, zorder=)
    plt.annotate(,
                 xy=(elbow_k, elbow_sse),
                 xytext=(elbow_k+, elbow_sse+),
                 arrowprops=(arrowstyle=, color=, linewidth=),
                 fontsize=, color=, fontweight=)
    
    
    plt.title(, fontsize=, fontweight=)
    plt.xlabel(, fontsize=)
    plt.ylabel(, fontsize=)
    plt.grid(, alpha=)
    plt.xticks(k_range)
    plt.tight_layout()
    plt.savefig(, dpi=)
    plt.show()
     sse_list


k_candidates = (, )
sse_results = elbow_method_visualization(X, k_candidates)

2. 代码解析与结果解读

（1）核心逻辑

• 遍历 K 值候选集（2-10），对每个 K 训练 K-Means 模型；
• 通过 kmeans.inertia_ 获取 SSE（簇内误差平方和），存储到列表；
• 绘制 SSE-K 曲线，寻找'肘部'（SSE 下降速率骤减的点）。

（2）结果解读

• 输出示例：K=2 时，SSE=5907.76；K=3 时，SSE=2130.48；K=4 时，SSE=546.78；K=5 时，SSE=489.52；
• 曲线特征：K 从 2 到 4 时，SSE 快速下降；K>4 后，SSE 下降速率明显变慢，因此 K=4 是肘部点，即为最优聚类数。

三、核心代码实现：轮廓系数可视化

1. 轮廓系数代码（计算系数 + 绘制曲线 + 样本轮廓图）

from sklearn.metrics import silhouette_score, silhouette_samples

def silhouette_visualization(X, k_range):
    """
    轮廓系数可视化（含平均轮廓系数曲线 + 样本轮廓图）
    :param X: 聚类数据集（特征矩阵）
    :param k_range: K 值候选集
    :return: 各 K 值对应的平均轮廓系数列表
    """
    silhouette_avg_list = [] # 存储各 K 值的平均轮廓系数
    
    # 1. 计算各 K 值的平均轮廓系数，绘制系数曲线
    for k in k_range:
        kmeans = KMeans(n_clusters=k, random_state=42, n_init=10)
        cluster_labels = kmeans.fit_predict(X)
        # 计算平均轮廓系数（所有样本的轮廓系数均值）
        silhouette_avg = silhouette_score(X, cluster_labels)
        silhouette_avg_list.append(silhouette_avg)
        print(f"K={k} 时，平均轮廓系数={silhouette_avg:.4f}")
    
    # 绘制平均轮廓系数曲线
    plt.figure(figsize=(10, 6))
    sns.lineplot(x=k_range, y=silhouette_avg_list, marker='s', linewidth=2, markersize=8, color='#8E44AD')
    
    # 标记最优 K 值（平均轮廓系数最大的点）
    best_k = k_range[np.argmax(silhouette_avg_list)]
    best_score = max(silhouette_avg_list)
    plt.scatter(best_k, best_score, color='#F39C12', s=200, zorder=5)
    plt.annotate(f'最优 K 值 (K={best_k}, 系数={best_score:.4f})',
                 xy=(best_k, best_score),
                 xytext=(best_k+0.5, best_score-0.02),
                 arrowprops=dict(arrowstyle='->', color='#F39C12', linewidth=2),
                 fontsize=, color=, fontweight=)
    
    
    plt.title(, fontsize=, fontweight=)
    plt.xlabel(, fontsize=)
    plt.ylabel(, fontsize=)
    plt.grid(, alpha=)
    plt.xticks(k_range)
    plt.ylim(, ) 
    plt.tight_layout()
    plt.savefig(, dpi=)
    plt.show()
    
    
    best_kmeans = KMeans(n_clusters=best_k, random_state=, n_init=)
    best_cluster_labels = best_kmeans.fit_predict(X)
    sample_silhouette_values = silhouette_samples(X, best_cluster_labels) 
    
    
    plt.figure(figsize=(, ))
    y_lower =  
     i  (best_k):
        
        ith_cluster_silhouette_values = sample_silhouette_values[best_cluster_labels == i]
        ith_cluster_silhouette_values.sort()
        size_cluster_i = ith_cluster_silhouette_values.shape[]
        y_upper = y_lower + size_cluster_i
        
        
        color = plt.cm.Spectral(i / (best_k))
        plt.fill_betweenx(np.arange(y_lower, y_upper), , ith_cluster_silhouette_values,
                          facecolor=color, edgecolor=color, alpha=)
        
        
        plt.text(-, y_lower +  * size_cluster_i, (i),
                 ha=, va=, fontweight=)
        
        
        y_lower = y_upper + 
    
    
    plt.axvline(x=best_score, color=, linestyle=, linewidth=, label=)
    
    
    plt.title(, fontsize=, fontweight=)
    plt.xlabel(, fontsize=)
    plt.ylabel(, fontsize=)
    plt.xlim([-, ])
    plt.ylim([, (X) + (best_k + ) * ])
    plt.legend(loc=)
    plt.grid(, alpha=, axis=)
    plt.tight_layout()
    plt.savefig(, dpi=)
    plt.show()
    
     silhouette_avg_list


silhouette_results = silhouette_visualization(X, k_candidates)

2. 代码解析与结果解读

（1）核心逻辑

• 遍历 K 值候选集，训练 K-Means 模型并获取聚类标签；
• silhouette_score 计算所有样本的平均轮廓系数；
• silhouette_samples 计算每个样本的轮廓系数，绘制样本轮廓图；
• 平均轮廓系数最大的 K 值即为最优聚类数。

（2）结果解读

• 输出示例：K=2 时，平均轮廓系数=0.5578；K=3 时，平均轮廓系数=0.6505；K=4 时，平均轮廓系数=0.7512；K=5 时，平均轮廓系数=0.6893；
• 曲线特征：K=4 时平均轮廓系数最大（0.7512），说明该 K 值的聚类效果最优；
• 样本轮廓图：每个聚类的轮廓带越宽、越接近 1，说明聚类内聚性越好；无明显负系数样本，说明无错分类样本。

四、综合最优 K 值确定与聚类效果可视化

1. 综合两种方法确定最优 K

# 输出两种方法的结果对比
print("\n=== 最优 K 值选择结果对比 ===")
result_df = pd.DataFrame({
    'K 值': k_candidates,
    'SSE': sse_results,
    '平均轮廓系数': silhouette_results
})
print(result_df.to_string(index=False))

# 综合确定最优 K：肘部法则（K=4）与轮廓系数（K=4）一致
optimal_k = 4
print(f"\n综合两种方法，最优聚类数 K={optimal_k}")

2. 最优 K 值的聚类效果可视化

# 用最优 K 训练 K-Means，可视化聚类结果
optimal_kmeans = KMeans(n_clusters=optimal_k, random_state=42, n_init=10)
optimal_labels = optimal_kmeans.fit_predict(X)
centers = optimal_kmeans.cluster_centers_ # 聚类中心

# 绘制聚类散点图
plt.figure(figsize=(10, 8))
sns.scatterplot(x=X[:, 0], y=X[:, 1], hue=optimal_labels, palette='viridis',
                s=60, alpha=0.8, legend='full')

# 标记聚类中心
sns.scatterplot(x=centers[:, 0], y=centers[:, 1], color='red', s=200, marker='X',
                label='聚类中心', edgecolor='black', linewidth=2)

# 设置图表样式
plt.title(f'K={optimal_k}时 K-Means 聚类效果可视化', fontsize=14, fontweight='bold')
plt.xlabel('特征 1', fontsize=12)
plt.ylabel('特征 2', fontsize=12)
plt.grid(True, alpha=0.3)
plt.legend(title='聚类编号')
plt.tight_layout()
plt.savefig(f'K={optimal_k}_聚类效果可视化.png', dpi=300)
plt.show()

五、运行与测试步骤（手把手操作）

1. 前置准备

1. 安装所需依赖（执行 pip install 命令）；
2. 复制代码到 PyCharm、VS Code 或 Jupyter Notebook。

2. 运行代码

1. 按顺序执行代码（分单元格执行更易调试）；
2. 观察控制台输出：
   • 各 K 值的 SSE 和平均轮廓系数；
   • 最优 K 值选择结果；
3. 查看项目目录：生成 4 张可视化图表（肘部法则曲线、平均轮廓系数曲线、样本轮廓图、聚类效果图）。

3. 验证结果

1. 肘部法则曲线：找到 SSE 下降骤减的肘部点（应为 K=4）；
2. 轮廓系数曲线：确认 K=4 时平均轮廓系数最大；
3. 聚类效果图：4 个聚类边界清晰，无明显混杂样本。

六、避坑指南（新手必看）

1. K-Means 训练不稳定

• 错误现象：相同 K 值的 SSE 或轮廓系数波动较大；
• 解决方法：设置 n_init=10（默认值，多次初始化取最优结果），或增大 n_init 至 20。

2. 肘部点不明显

• 错误现象：SSE 曲线平滑下降，无明显肘部；
• 解决方法：
  1. 扩大 K 值候选集（如 1-15）；
  2. 对数据做标准化处理（StandardScaler）；
  3. 结合轮廓系数综合判断，优先选择轮廓系数最大的 K。

3. 轮廓系数偏低（<0.5）

• 错误现象：所有 K 值的平均轮廓系数都低于 0.5；
• 解决方法：
  1. 检查数据是否适合聚类（如数据分布分散、无明显聚类结构）；
  2. 对数据做降维处理（如 PCA），减少噪声特征；
  3. 调整 K 值范围，或尝试其他聚类算法（如 DBSCAN）。

4. 中文乱码

• 错误现象：图表中中文显示为问号；
• 解决方法：正确设置中文字体（Windows 用 SimHei，Mac 用 Arial Unicode MS）。

七、进阶扩展（按需优化）

1. 真实数据集应用（以鸢尾花数据集为例）

# 加载鸢尾花数据集
from sklearn.datasets import load_iris
from sklearn.preprocessing import StandardScaler

iris = load_iris()
X_iris = iris.data[:, :2] # 取前两个特征（便于可视化）
y_iris = iris.target

# 数据标准化（K-Means 对尺度敏感）
scaler = StandardScaler()
X_iris_scaled = scaler.fit_transform(X_iris)

# 运行肘部法则和轮廓系数可视化
k_iris = range(2, 8)
sse_iris = elbow_method_visualization(X_iris_scaled, k_iris)
silhouette_iris = silhouette_visualization(X_iris_scaled, k_iris)

2. 自动化最优 K 值选择（无需手动标记肘部点）

def auto_select_optimal_k(sse_list, k_range):
    """自动化寻找肘部点（基于 SSE 一阶差分）"""
    # 计算 SSE 一阶差分（相邻 K 值的 SSE 差值）
    sse_diff = np.diff(sse_list)
    # 计算差分的变化率（二阶差分）
    sse_diff_rate = np.diff(sse_diff)
    # 肘部点对应二阶差分最大的位置 +2（因为差分后索引偏移）
    elbow_idx = np.argmax(np.abs(sse_diff_rate)) + 2
    return elbow_idx

# 自动化选择最优 K
auto_optimal_k = auto_select_optimal_k(sse_results, k_candidates)
print(f"\n自动化选择的最优 K 值：{auto_optimal_k}")

3. 多特征数据可视化（结合 PCA 降维）

# 若数据特征数>2，用 PCA 降维后再可视化聚类效果
from sklearn.decomposition import PCA

# 示例：用鸢尾花全 4 个特征聚类
X_iris_full = scaler.fit_transform(iris.data)
kmeans_iris = KMeans(n_clusters=3, random_state=42, n_init=10)
labels_iris = kmeans_iris.fit_predict(X_iris_full)

# PCA 降维到 2D
pca = PCA(n_components=2)
X_iris_pca = pca.fit_transform(X_iris_full)

# 可视化降维后的聚类结果
plt.figure(figsize=(10, 8))
sns.scatterplot(x=X_iris_pca[:, 0], y=X_iris_pca[:, 1], hue=labels_iris, palette='Set2', s=60)
plt.title('PCA 降维后 K-Means 聚类效果（鸢尾花数据集）', fontsize=14, fontweight='bold')
plt.xlabel('PCA 特征 1', fontsize=12)
plt.ylabel('PCA 特征 2', fontsize=12)
plt.grid(True, alpha=0.3)
plt.show()

总结

本文通过'原理讲解 + 代码实现 + 结果解读'的方式，手把手教你用 Python 实现肘部法则和轮廓系数可视化，核心亮点如下：

1. 代码精简高效：核心逻辑仅 200 余行，支持模拟数据与真实数据，可直接复用；
2. 可视化丰富：包含 4 类图表（肘部曲线、轮廓系数曲线、样本轮廓图、聚类效果图），直观呈现 K 值选择过程；
3. 实用性强：解决 K-Means 聚类中最关键的'最优 K 值确定'问题，提供避坑指南与进阶扩展方案。

该方法适用于数据分析、机器学习、数据挖掘等场景，无论你是新手还是有经验的开发者，都能通过本文快速掌握 K 值选择的核心技巧。按照本文步骤操作，即可轻松实现聚类分析中的最优 K 值选择与效果可视化。