企业官网建设流程全解析

简介：这是一份Matlab实现kMedoids聚类的示例代码资源，适合刚接触聚类分析、想要快速理解算法原理的数据挖掘学习者。压缩包内共1个m文件，总体约2KB，内容精炼；代码脚本以少量随机生成的多维数据为例，完整演示了从构造特征矩阵、调用内置kmedoids函数，到指定聚类数量、距离度量方式（如欧氏距离或曼哈顿距离）的流程。读者还可以修改InitMethod、MaxIter、Tol等参数，观察不同初始化和收敛条件对聚类结果的影响，直观体会medoids以真实样本为中心、相比K-means质心更抗离群点的特点。目前已有237人学习下载，对希望快速上手kMedoids聚类应用的Matlab用户来说，是一份轻量而实用的参考；将其替换为自己的数据矩阵即可进一步验证算法效果，也便于在此基础上扩展市场细分、社区检测或图像分割等应用。

1. kMedoids 在 matlab 里的真实用法：从 Kmedios.m 看聚类能不能直接落到你的数据上

谈到 kmedoids 聚类，matlab 用户手里最常出现的资源就是类似 Kmedios.rar 里这样一个 Kmedios.m 脚本。脚本本身不难跑：生成随机数据、调用内置 kmedoids、画散点图，三步就出结果。但我在实际项目里帮人排查聚类问题时发现，多数人卡住的从来不是函数调用，而是「为什么每次结果都不一样」「K 到底取几」「有离群点时 medoid 和质心差在哪」。这份资源给了一个能用真实样本当簇中心的完整示例，适合刚接触 kMedoids、想把聚类落到数据分群、图像分割或异常检测场景的工程师。我把脚本拆开逐段讲，再把常见翻车点罗列出来。

2. 为什么选 medoids 而不是 centroids：原理差异与三种最适合换算法的场景

2.1 medoids 是真实样本，centroids 是虚拟质心

kMedoids 和 K-means 的核心差别就一句话：K-means 用算出来的均值当中心，kMedoids 用数据集里真实存在的一个样本当中心。这个真实样本叫做 medoid，它是在当前簇内找一个点，使它到簇内其他所有点的距离之和最小。

K-means 的中心是虚拟的，它把簇内所有样本在每个维度上求平均。问题是均值天生怕离群点，一个极端值就能把质心拉偏。kMedoids 的思路更接近中位数：它不关心均值，只关心「谁最能代表这群样本」，所以对离群点的容忍度明显更高。另一个实际好处是，medoid 就是原始数据里的一行，你可以直接回溯到它对应的用户 ID、订单号或图像块，这在业务上非常好解释。

从目标函数看，K-means 最小化的是簇内平方误差和（SSE），而 kMedoids 最小化的是样本到 medoid 的绝对距离总代价。这意味着它不要求距离是欧氏距离的平方，你甚至可以换成曼哈顿距离、余弦距离，这在 K-means 里就很难办，因为 K-means 的均值计算隐含了欧氏空间假设。Matlab 内置的kmedoids函数正是围绕这个思想实现的，而 Kmedios.m 脚本里的调用方式就是最标准的那一套。

2.2 三种最适合换算法的场景

第一种是数据里明显有离群点。比如传感器数据、交易金额、用户时长这类带长尾的字段，K-means 会把质心拖向离群点，导致簇边界失真。kMedoids 因为中心是真实样本，离群点只会成为它自己的一个孤簇，不会污染别的簇。

第二种是业务上需要「代表性个体」。做过用户分群的都知道，平均用户往往不存在，但「最典型的用户」真实存在。kMedoids 找出来的 medoid 可以直接做用户画像背书，比如拿一个真实 VIP 用户代表整个高价值簇，运营那边一眼就能看懂。K-means 给出一组浮点数的坐标，业务侧完全无法落地。

第三种是特征不是连续数值，或者空间结构不适合欧氏距离。比如文本向量、类别型编码、社区网络里的节点，K-means 在这些场景下算均值没有意义。kMedoids 配合曼哈顿或余弦距离，仍然能给出「真实存在的代表节点」。图像分割里也常有人用 kMedoids 选代表色块，因为 medoid 色块是真实像素组合出来的，不会出现 K-means 那种不存在的混合色。

2.3 计算复杂度：PAM 的代价与应对手段

kMedoids 的经典实现是 PAM（Partitioning Around Medoids），它在每个迭代里尝试用非 medoid 样本替换当前 medoid，然后重新计算总代价。这个交换过程的理论复杂度是 O(k(n-k)²)，比 K-means 的 O(nkd) 高出不少。也就是说，几万行数据以内跑起来还舒服，百万行级别就别指望直接呼救了。

Matlab 内置的kmedoids在内部也是 PAM 思想，但它支持Replicates做多次随机初始化，并且InitMethod可以选'PlusPlus'，用 K-means++ 的思路挑彼此距离远的初始 medoid，能显著减少到达局部最优的概率。数据量大时，我的常用做法是先随机抽样几千行跑一遍 kmedoids，拿到 medoid 后再把它作为全量数据的中心做一次性分配。这样精度损失不大，但速度能快一个量级。关于这一点，Kmedios.m 里没写，但实际项目里基本离不开它。

3. Kmedios.m 逐段拆解：随机数据生成、kmedoids 调用与 7 个参数的实际含义

3.1 先生成一份能复现的随机数据集

% 固定随机种子，保证每次运行结果一致 rng(42); % 三个高斯簇的中心 mu = [0 0; 6 6; -4 5]; % 簇内协方差矩阵，两个维度带一点相关性 sigma = [1 0.8; 0.8 1]; % 每个簇生成 200 个样本，拼成 600x2 的数据矩阵 data = [mvnrnd(mu(1,:), sigma, 200); mvnrnd(mu(2,:), sigma, 200); mvnrnd(mu(3,:), sigma, 200)];

rng(42)的作用是把随机数生成器的状态固定下来，这样任何人运行这段代码，拿到的data都完全一样。做聚类调试时这一点特别重要，否则你没法判断结果变化到底是算法问题还是数据变了。mvnrnd的第一个参数是均值向量，第二个是协方差矩阵，第三个是样本数。协方差矩阵里对角线是方差，非对角线 0.8 表示两个维度正相关，让簇的形状是倾斜的椭圆，而不是正圆。这样更接近真实数据，也能在可视化时看出 medoid 和几何中心的区别。

这里三个簇中心距离分得比较开，K=3 是非常明显的答案。脚本里故意先给一个「一眼能看出答案」的数据，目的是让你先验证调用流程没写错，再替换成自己的数据。

3.2 调用内置 kmedoids：核心参数逐个说

K = 3; [idx, medoids_idx] = kmedoids(data, K, ... 'Distance', 'euclidean', ... 'InitMethod', 'PlusPlus', ... 'MaxIter', 100, ... 'Tol', 1e-4, ... 'Replicates', 5);

kmedoids最少只需要传数据矩阵和聚类数，但实际使用我会把五个参数全写出来。第一个返回值idx是每个样本所属簇的编号，长度和样本数一致；第二个返回值medoids_idx是 medoid 在数据矩阵里的行号。注意它返回的是索引，不是坐标本身，要拿原始样本得再用data(medoids_idx, :)去取。

下面这张参数表是我日常用的推荐值：

InitMethod选'PlusPlus'是 K-means++ 的思路：第一个 medoid 随机选，后面的 medoid 倾向于选离已有 medoid 更远的样本。这样初始化质量高，收敛快，局部最优概率小。'random'就是完全随机挑 K 个样本当初始 medoid，如果数据分布不够均匀，很容易卡在局部最优。Replicates是后悔药机制，跑 5 次取总代价最小的一次，成本翻倍但结果稳定很多。

MaxIter不是越大越好，我见过有人设 5000，结果运行时间长了一倍，聚类效果和 200 次差不多。迭代到后期每次交换带来的代价改善极小，Tol就是在检测这个「改善幅度」。当连续两次迭代的目标值变化小于Tol，算法就认为收敛，提前退出。

3.3 从 medoids_idx 取回真实样本

medoid_samples = data(medoids_idx, :); for j = 1:K fprintf('簇 %d 的 medoid 是第 %d 行样本: [%.2f, %.2f]\n', ... j, medoids_idx(j), medoid_samples(j,:)); end

这一步是 kMedoids 最有价值的地方。medoids_idx给出的是数据矩阵的行号，data(medoids_idx, :)能把这一行的完整特征取出来。如果你的原始数据附带了用户 ID、时间戳、业务标签，直接data_table(medoids_idx(j), 'user_id')就能拿到「这个簇的代表性用户是谁」。K-means 输出的是一个浮点坐标，你永远不知道它对应哪个人；kMedoids 输出的是一个真实样本，业务同事可以直接拿着这个样本去访谈、去打标签。做用户画像和社区检测时，这一步几乎等于把聚类结果从技术语言翻译成了业务语言。

3.4 用轮廓系数和 CH 指数评估聚类质量

sil = silhouette(data, idx); mean_sil = mean(sil); fprintf('平均轮廓系数: %.4f\n', mean_sil); ch = calinskiHarabasz(data, idx); fprintf('CH 指数: %.2f\n', ch);

轮廓系数对每个样本计算一个值，范围在 [-1, 1] 之间。接近 1 说明这个样本离自己簇很近、离相邻簇很远，聚类结构清晰；接近 0 说明在边界上；负值说明可能被分错了簇。看mean(sil)的同时，我强烈建议看一眼sil的分布，如果大部分样本在 0.5 以上但有一小撮是负值，问题往往出在离群点或 K 选太大。

Calinski-Harabasz 指数是簇间离散度和簇内离散度的比值，越大越好。它没有上界，但适合在同一种距离度量下比较不同 K 值。CH 指数计算很快，我在做 K 值扫描时一般先用它粗筛，再用轮廓系数确认。

4. 聚类结果可视化与质量评估：散点图、silhouette 与 K 值扫描

4.1 用 gscatter 染出簇归属，用黑叉标出 medoid

figure; gscatter(data(:,1), data(:,2), idx, 'rgb', 'o', 8); hold on; plot(medoid_samples(:,1), medoid_samples(:,2), 'kx', ... 'MarkerSize', 12, 'LineWidth', 2); legend('簇 1', '簇 2', '簇 3', 'Medoid'); title('kMedoids 聚类结果（× 为 medoid）'); grid on;

gscatter按idx的取值自动给每个簇分配颜色，第三个参数是分组变量，后面的'rgb'指定颜色顺序，'o'指定点的形状，8 是点的大小。plot把三个 medoid 用黑色叉号画在最上层。这样一张图能同时回答两个问题：数据明显分成几堆、每个堆的代表样本在哪个位置。

一个容易被忽视的细节是hold on。不写这一行，第二个plot会开新图覆盖掉gscatter的画布，你只能看到一个干巴巴的黑叉。Matlab 绘图里几乎所有「两个图形叠在一起」的用法都离不开hold on，这是新手最常见的一处漏写。

4.2 统计每个簇的样本数和簇内平均距离

for j = 1:K members = data(idx == j, :); avg_dist = mean(pdist2(members, medoid_samples(j,:))); fprintf('簇 %d: 样本数 %d, 到 medoid 平均距离 %.3f\n', ... j, size(members, 1), avg_dist); end

簇样本数能暴露聚类是否均衡。如果某个簇只有两三个样本，大概率是离群点被单独成簇了，这种情况就要回去处理数据而不是调参数。pdist2(members, medoid_samples(j,:))计算每个成员到该簇 medoid 的欧氏距离，mean取平均。这个平均距离是簇内紧凑度的简单度量，数值越小说明簇越紧。

4.3 K 值扫描：从 2 到 6 循环对比评估指标

Ks = 2:6; score_matrix = zeros(length(Ks), 2); for i = 1:length(Ks) [idx_i, ~] = kmedoids(data, Ks(i), ... 'Distance', 'euclidean', ... 'InitMethod', 'PlusPlus', ... 'Replicates', 3); score_matrix(i, 1) = mean(silhouette(data, idx_i)); score_matrix(i, 2) = calinskiHarabasz(data, idx_i); fprintf('K=%d Silhouette=%.4f CH=%.2f\n', ... Ks(i), score_matrix(i, 1), score_matrix(i, 2)); end

聚类数和聚类效果不是单调关系：K 越大，簇内越紧凑，但模型越复杂、越容易过拟合。用循环把 K 从 2 到 6 全部跑一遍，对比 silhouette 和 CH 的走势，是最务实的选 K 办法。理想情况下 silhouette 在某个 K 值出现峰值，或者 CH 在某个 K 值出现明显拐点，再往后增长放缓，就取那个 K。有一点要提醒：silhouette函数对大数据集很慢，如果样本量超过几万，可以改成silhouette(data, idx, 'Distance', 'euclidean')配合抽样，或者直接用evalclusters里的并行选项。

5. kMedoids 高频避坑与排查：5 个实测翻车点，每条都有解决办法

5.1 报错 Undefined function or variable 'kmedoids'

现象是代码一行没跑就开始报错，提示找不到kmedoids函数。我第一次遇到还以为是 Matlab 没装好，折腾了半天重装环境。

原因是kmedoids是 R2018a 才加入 MATLAB 的函数，而且属于 Statistics and Machine Learning Toolbox。旧版本或者精简安装没带这个工具箱，都会报同样的错。先运行ver('stats')看看工具箱版本，如果显示Statistics and Machine Learning Toolbox，检查一下版本号；如果根本没显示，说明工具箱没装上。

解决办法分两种。一是装工具箱或者升版本，这取决于你的 license。二是换一个不依赖工具箱的纯脚本实现，思路是把 PAM 算法用朴素循环写出来。

function [idx, medoid_rows] = simple_pam(data, K, max_iter) n = size(data, 1); rng(0); medoid_rows = randsample(n, K); idx = zeros(n, 1); for iter = 1:max_iter % 每个样本归到最近的 medoid d = pdist2(data, data(medoid_rows, :)); [~, idx] = min(d, [], 2); % 在每个簇内找新的 medoid：到簇内其他样本距离和最小 new_med = medoid_rows; for j = 1:K members = find(idx == j); if isempty(members), continue; end sub_d = pdist2(data(members, :), data(members, :)); [~, pos] = min(sum(sub_d, 2)); new_med(j) = members(pos); end if isequal(new_med, medoid_rows), break; end medoid_rows = new_med; end d = pdist2(data, data(medoid_rows, :)); [~, idx] = min(d, [], 2); end

这段实现抓的是 PAM 的核心：先随机挑 K 个样本当 medoid，然后循环做两件事——分配样本到最近 medoid，再在每个簇内挑一个「到簇内其他点距离总和最小」的样本当新 medoid。pdist2计算两两距离矩阵，sum(sub_d, 2)对每一行求和，最小的那行对应的就是簇内的新 medoid。性能远不如内置函数，但几千行数据足够用。

5.2 每次运行结果都不一样，K 值扫描曲线剧烈抖动

现象是连续跑两次同一个脚本，聚类结果完全对不上，medoids_idx变化很大，连散点图的簇颜色都变了。

原因是InitMethod默认或显式设成了'random'，初始 medoid 每次都是随机选的，而 PAM 的交换过程容易落到局部最优。不同的初始点会走向不同的局部最优，表现就是每次运行结果不同。这也是 kMedoids 最容易被吐槽「玄学」的地方，但问题不在算法，在初始化。

解决方法是固定随机种子并加大重复次数。rng(42)放在调用前，Replicates设为 5 或 10，让 Matlab 从多个初始点里挑代价最小的结果。如果数据量允许，InitMethod换成'PlusPlus'也能明显降低抖动。从那以后我养成的习惯是：任何聚类脚本第一行写rng(0)，跑批结果必须能复现，否则后面所有分析都建立在不稳定的地基上。

5.3 数据量一大就跑不动，甚至直接卡死

现象是数据从几千行换成几万行，脚本执行时间从秒级变成分钟级，再往上直接内存吃满卡死。

原因是 PAM 的复杂度是 O(k(n-k)²)，n 是样本数。这个平方项非常致命，n 翻一倍，时间接近翻四倍。另外pdist2会生成 n×n 的距离矩阵，几万行数据就是几十 GB 内存，直接爆掉。这是 kMedoids 的结构性代价，不是优化两行代码能解决的。

解决思路是降维打击：先对数据做随机抽样，比如抽 5000 行跑kmedoids拿到 medoid，然后用knnsearch或pdist2把剩余样本分配到最近的 medoid 上。抽样只影响 medoid 的选择精度，不影响整体结构，速度却能快一个量级。这一步我习惯写成脚本的一部分而不是单独的手工操作，因为只要数据更新就会再跑一遍。

另外还可以换个距离度量。'cityblock'（曼哈顿距离）的计算比欧氏距离少了平方和开方，对pdist2的性能有一定改善。不过这是次要手段，采样才是主力。

5.4 轮廓系数很高，但业务上分出来的簇完全不合理

现象是 silhouette 到 0.7 以上，感觉聚类质量非常好，一细看却发现高频用户和低活跃用户被分到了同一个簇，或者某个簇里全是异常样本，业务根本无法解释。

原因是对聚类质量的评估太依赖数值指标，而 silhouette 和 CH 都是纯几何指标，完全不考虑业务语义。数据里的离群点经常会被单独分出来当一簇，这在几何上「很清晰」，在业务上却毫无意义。另外如果特征里有一个数值波动特别大，它会在距离计算里占主导，把真正重要的业务字段淹没了。

解决办法是先做特征标准化再聚类。zscore把每个特征缩放到均值 0、方差 1，避免量纲大的字段主导距离。然后在评估前先看每个簇的样本数和业务特征分布，再决定要不要剔除离群点。我常用的一招是：聚类完了先跑一段描述性统计，看看每个簇的均值、中位数、业务占比，几何指标只做参考，业务解释不通就回退调参。

5.5 数据里有 NaN，聚类结果莫名出现空洞或报错

现象是调用不报错，但idx里有些样本被分到了明显错误的簇，或者silhouette直接报NaN相关的错误，还有的版本会直接终止运行。

原因是kmedoids对NaN的处理不透明。部分旧版本会把NaN样本直接忽略，导致输出idx长度和输入对不上；有些版本的NaN会被当成一个特殊值参与距离计算，结果整个簇都被污染。聚类函数不是fillmissing，它不会好心替你处理缺失值。

解决方法是进聚类之前主动清洗数据。对数值型特征用fillmissing(data, 'linear')做插值，对离散型特征可以用rmmissing删掉有缺失的行。注意不要只清洗一个变量，rmmissing默认删除的是整行有缺失的样本，如果缺失率超过 5%，删行会损失太多信息，改成fillmissing更稳妥。清洗完画一下缺失值占比，确认没有列还带着大量空洞再往下走。

6. 进阶技巧：把 silhouette 扫描封装成函数，告别手动试 K

6.1 一个通用的自动选 K 函数

基于前面第 4 章的循环思路，我习惯把它封装成一个可复用函数，放进项目公共工具目录里。

function [bestK, bestIdx, bestMedoids, stats] = auto_kmedoids(data, Krange) stats = zeros(length(Krange), 2); bestK = Krange(1); bestScore = -inf; for i = 1:length(Krange) K = Krange(i); [idx, medRow] = kmedoids(data, K, ... 'InitMethod', 'PlusPlus', 'Replicates', 3); s = mean(silhouette(data, idx)); c = calinskiHarabasz(data, idx); stats(i, :) = [s, c]; % 优先看 silhouette，CH 只做辅助参考 if s > bestScore bestScore = s; bestK = K; bestIdx = idx; bestMedoids = data(medRow, :); end end end

调用时传数据矩阵和一个 K 的候选范围，比如[2 3 4 5 6]，返回分数最高的 K 以及对应的聚类结果。这个函数的价值在于把「扫 K、看指标、选最优」三件事合成一步，数据更新了直接重新调用，不用每次都复制粘贴循环代码。判断逻辑只取 silhouette 峰值，因为 CH 指数没有上界，不同 K 之间的差值不好设定阈值，实际对比里 silhouette 更直观。

6.2 替换距离度量的两个边界条件

kmedoids的'Distance'参数支持'euclidean'、'cityblock'、'cosine'等选项。用欧氏距离时 medoid 是「几何上最居中」的真实样本；换成曼哈顿距离后，medoid 会更接近簇内的中位数样本，对重尾分布更友好。做高维稀疏数据，比如文本向量或用户行为计数矩阵时，'cosine'是更合理的选择，因为它只看方向不看模长。但要提醒一点：换距离度量后，silhouette 的'Distance'参数也要同步换，否则评估用的距离和聚类用的距离不一致，指标会失真。

6.3 结尾：你的验证习惯是什么

这套流程我前前后后用在不同项目里，踩过的坑比上面写的还多。现在每次拿到一份新数据，我已经形成了固定动作：第一件事rng(0)，第二件事清洗 NaN，第三件事跑一遍auto_kmedoids扫 K，最后才看业务解释。这三步做完，聚类结果基本不会翻车。kMedoids 不是银弹，但它给的是「真实存在的代表样本」，光这一点在业务沟通里就值回票价。希望帮到你。

本文还有配套的精品资源，点击获取