KMeans 上手实战：用 Python 把用户自动分成几类

做用户运营时，你可能也遇到过这种情况：手里有一堆消费金额、购买频次、最近登录时间的数据，但不知道该把用户分成哪几类。靠人工打标签，费时还容易主观；这时候就可以试试 KMeans 聚类。

KMeans 到底在做什么

KMeans 是一种无监督学习算法，适合没有现成分类标签、想从数据本身发现分组的场景。

它的核心逻辑可以理解成“挑中心、划圈子”：

1. 你先指定要分成几类，也就是 k 值；
2. 算法随机选 k 个点作为聚类中心；
3. 每条数据归到离它最近的中心；
4. 再根据每一组的数据重新计算中心；
5. 不断重复，直到分组基本不再变化。

这里的“距离”通常用欧氏距离，所以数据量纲差异大时，必须先做标准化。不然消费金额几百上千，购买频次只有几次，金额字段会直接主导聚类结果。

一份可直接套用的 Python 流程

下面用用户消费数据举例，字段可以是最近消费间隔、消费频次、消费金额，也就是常说的 RFM 指标。

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

# 读取数据
data = pd.read_csv("customer_data.csv")

# 选择用于聚类的特征
features = data[["recency", "frequency", "monetary"]]

# 标准化
scaler = StandardScaler()
x = scaler.fit_transform(features)

标准化后，再确定 k 值。很多教程会直接让你设成 3，但实际业务里不能拍脑袋。可以用肘部法观察：

inertia = []
for k in range(2, 9):
    model = KMeans(n_clusters=k, random_state=42, n_init=10)
    model.fit(x)
    inertia.append(model.inertia_)

plt.plot(range(2, 9), inertia, marker="o")
plt.xlabel("聚类数量 k")
plt.ylabel("簇内平方和")
plt.show()

图像下降幅度开始变缓的位置，通常可以作为候选 k 值。不过肘部法只是参考，还要结合业务解释性。分成 6 类后误差可能更小，但如果每一类都说不清用户特征，落地价值也不大。

确定 k 值后训练模型：

kmeans = KMeans(n_clusters=4, random_state=42, n_init=10)
labels = kmeans.fit_predict(x)

data["cluster"] = labels

接着看每一类的特征均值：

summary = data.groupby("cluster")[["recency", "frequency", "monetary"]].mean()
print(summary)

比如你可能得到这样的业务解释：

• 最近消费近、频次高、金额高：重要价值用户；
• 最近消费远、频次低、金额低：流失风险用户；
• 频次高但金额低：高频低价用户；
• 金额高但最近未消费：高价值召回用户。

这样分完群，优惠券、短信召回、会员运营策略才能对应到具体人群，而不是对所有用户发同一套话术。

使用 KMeans 时容易踩的坑

异常值会明显拉偏中心。 KMeans 基于均值计算中心，特别高消费的用户可能让整个簇失真。聚类前可以先做盖帽处理，或者用分位数、对数变换降低极端值影响。

类别型变量不能直接丢进去。 像性别、城市等级这类字段，可以做独热编码；如果类别特别多，要谨慎使用，否则高维稀疏数据会影响距离计算效果。

每次结果可能有差异。 KMeans 初始中心是随机选的，因此代码里建议设置 random_state，并使用较新的 scikit-learn 默认初始化方式。设置 n_init=10 可以让算法跑多次，保留效果最好的一版。

它更适合球形或近似球形的簇。 如果数据分布是环形、极度不规则，或者各类别密度差异很大，KMeans 效果可能不理想，这时可以考虑 DBSCAN、层次聚类等方法。

结尾

KMeans 的优势不在于算法多复杂，而在于简单、速度快、结果容易解释。做用户分层、商品分组、区域聚类时，它往往是一个性价比很高的起点。

真正影响效果的，通常不是模型本身，而是特征有没有选对、数据有没有标准化、k 值是否兼顾指标和业务含义。把这几步处理好，KMeans 就能从一个“算法示例”，变成能辅助运营决策的实用工具。