声明：以下是个人学习理解的K聚类算法，欢迎大家指正错误。另外代码在结尾哦~

 聚类大致过程：选择合适的列数据后，标准化->找k->聚类分组->降维可视化->结果分析

整个过程和底部代码环环相扣，可以边看代码边看这边的解读。选择的数据一般是数值类的，可以参考代码，我选择了5列，共300行数据（这里我使用numpy模拟的工业数据，大家可以自行模拟一个csv数据）

第一步：标准化

所谓标准化就是把一些单位不统一的数据归成近似0或1的数据，变成了一个300*5的矩阵，如下（打印代码中的X_scaled即可）：

第二步：利用肘部法找k

设置一个k的范围，每个k都会计算出一个组内平方和，n_init参数是找初始质心的次数(每次循环找到k个最合适的质心)，判断方式就是由陡变缓的那个k,如图所示：

第三步：聚类分组。

300份数据都需要对应一个类别。之前已经得出k为3，所以有3个类别（对应0、1、2），输出内容如下（打印代码中的clustering_results即可）：

第四步：降维可视化以及绘图。

设置n_components=2，即降成二维。大家平时见到的k聚类散点图都是通过坐标点的形式做出的，所以这里当然需要进行一个降维操作，将原先标准化的300行数据转化为坐标的形式，如下（打印main_contituent即可）：

对于绘图。有了坐标，那么直接画出散点图即可。注意将参数clustering_results传入，以此来区分各个类别。三个类别刚好三种颜色，如下图：(注意如果你的聚类图很多颜色的点串在一起，说明k的设置可能有问题)

第五步：分析

有人可能想到，这样的一个图像有啥用？

先看下面结果，最右侧列为“所属簇”，也就是说，每一份数据我都知道它属于哪个类了，而这些类的定义，你可以根据的得出的各个簇的平均值来定义。比如下面的结果中，0簇的电机温度是1.16，注意这里的温度是经过处理的数据，均值为0，而1.16已经超过了1，所以说0号簇的相关数据存在温度过高的情况（注意0号簇不代表某类机器，它反映的是设备在特定时间点的运行状态，而非设备本身的固有属性），具体分析如下：

做出定义如下：

簇特征分析（标准化值）

簇类	电机温度	振动幅度	压力值	能耗	缺陷率	核心特征
0	+1.16	+1.16	+0.03	-0.02	+1.32	高温、高振动、高缺陷
1	-0.56	-0.60	+0.64	+0.44	-0.65	低温、低振动、高压力
2	-0.61	-0.55	-0.81	-0.52	-0.67	全面低值（节能健康状态）

1. 簇0是异常状态：

   • 温度、振动、缺陷率均超均值1σ以上

   • 典型故障模式（如轴承磨损导致温升和振动加剧）

2. 簇1特殊工况：

   • 异常高压力（+0.64σ）但其他参数正常

   • 可能原因：系统短时过载运行

3. 簇2理想状态：

   • 所有参数显著低于均值

   • 对应设备低负荷高效运行时段

另一个角度分析（代码的最后一次打印）：

设备-簇分布（比例）

设备编号	簇0（异常）	簇1（高压）	簇2（健康）
M001	33%	37%	29%
M002	27%	41%	32%
M003	39%	32%	29%

1. M002：

   • 健康状态占比最高（32%）

   • 但高压工况占比达41%（需检查压力控制系统）

2. M003：

   • 异常状态占比最高（39%）

   • 优先安排全面检修

3. M001：

   • 各状态分布相对均衡

   • 建议增加实时监控频率

综上，针对相应的分析结果，你可以对不同的簇类别进行合适的决策。这就是K-Means的大致流程和作用。

六、代码

# 聚类分析
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
from sklearn.decomposition import PCA
# 读取数据
df = pd.read_csv('industrial_data_cn.csv')
# 数据预处理
X = df[['电机温度', '振动幅度', '压力值', '能耗', '缺陷率']] # 选择5个参数，与产量无关
# 第一步-标准化处理
scaler = StandardScaler() # 对象
X_scaled = scaler.fit_transform(X) # 标准化后的矩阵，形状为(300,5)（300个样本，5个特征），300行5列，把所有的数据归整为一个近似1的数
# 第二步(可选)-肘部法找k
wcss=[]
for i in range(2,6):
    kmeans=KMeans(n_clusters=i, random_state=42,n_init=10)
    kmeans.fit(X_scaled)
    wcss.append(kmeans.inertia_)
plt.plot(range(2,6),wcss,marker='o') # 添加上下文
plt.show() # k值是图像从陡变缓的那个点
# 第三步-找到k=3,进行分组
kmeans = KMeans(n_clusters=3, n_init=10, random_state=42) # 可以选择手动调整k值，或者利用肘部法
clustering_results = kmeans.fit_predict(X_scaled) # # 聚类结果，三个类别有三个族标签，0,1,2，
# 第四步-PCA可视化，降维可视化
pca = PCA(n_components=2)
main_constituent = pca.fit_transform(X_scaled) # 主成分,将所有的数据变成一个二维坐标，相当于300个坐标点
# 绘图
plt.scatter(main_constituent[:, 0], main_constituent[:, 1], #以第0列作为x坐标，第1列作为y，进行散点图绘制
            c=clustering_results,alpha=0.7) # 注意clustering_results会作为颜色序列，0,1,2分别代表不同颜色
plt.xlabel('main1') # 主成分1
plt.ylabel('main2')
plt.title('PCA-Pic') # PCA降维可视化
plt.colorbar(label='k_category')
plt.show()
# 第五步-结果分析，clustering_data作为一个DataFrame
clustering_data = pd.concat([ # 聚类数据，进行合并。利用concat合并
    df[['设备编号', '时间戳']],  # 明确指定非数值类型，前面增加两列
    pd.DataFrame(X_scaled, columns=X.columns), # 原有的5列，这里的5列数据已经进行了处理，正负值都有，加上列名
    pd.Series(clustering_results, name='所属簇') # 增加一列Series，并且命名
], axis=1) # 竖着合并
print(clustering_data.sort_values('所属簇', ascending=False)) # 排序分类
# 修正后的均值计算
print("\n各簇特征均值：")
print(clustering_data[['电机温度', '振动幅度', '压力值', '能耗', '缺陷率', '所属簇']].groupby('所属簇').mean().round(2))
# 另一个角度分析
print('--------------------')
device_cluster_dist = clustering_data.groupby('设备编号')['所属簇'].value_counts(normalize=True)
print(device_cluster_dist.unstack().fillna(0).round(2))