### Python 实现 KMeans 文本聚类的代码示例 以下是使用 `scikit-learn` 的 `KMeans` 类来完成文本聚类的一个完整代码示例。该代码涵盖了从文本预处理到聚类结果分析的过程。 #### 数据准备与向量化 为了使 KMeans 能够处理文本数据，需要先将其转换为数值型特征表示形式。通常会采用 TF-IDF 向量化技术： ```python from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.cluster import KMeans import numpy as np # 输入文本列表 texts = [ "机器学习是一门很有趣的学科", "深度学习是机器学习的一部分", "自然语言处理涉及很多领域", "计算机视觉也是人工智能的重要分支" ] # 使用TfidfVectorizer将文本转化为TF-IDF矩阵 vectorizer = TfidfVectorizer() X = vectorizer.fit_transform(texts) ``` #### 执行 KMeans 聚类 设置好参数后，调用 `KMeans` 的 `fit` 方法执行聚类操作，并提取每个样本所属的簇标签： ```python # 设置聚类数K和其他超参数 n_clusters = 2 kmeans = KMeans(n_clusters=n_clusters, n_init=10, random_state=42) # 执行聚类 kmeans.fit(X) labels = kmeans.labels_ ``` 此处，`n_clusters` 参数指定要划分的簇的数量，而 `n_init` 则控制随机初始化尝试的次数[^1]。 #### 结果评估 可以通过计算 **轮廓系数** 来衡量聚类的质量。较高的轮廓系数表明更好的分离度和紧凑性： ```python from sklearn.metrics import silhouette_score silhouette_avg = silhouette_score(X, labels) print(f"平均轮廓系数: {silhouette_avg:.4f}") ``` 此外还可以查看具体分配给每组的文本内容以直观理解分群效果： ```python clusters = [[] for _ in range(n_clusters)] for i, label in enumerate(labels): clusters[label].append(texts[i]) for idx, cluster_texts in enumerate(clusters): print(f"\nCluster {idx}:") for txt in cluster_texts: print(f"- {txt}") ``` #### 提取主题关键词 为进一步解释各集群所代表的意义，可依据质心位置找出最具代表性的一些词汇： ```python order_centroids = kmeans.cluster_centers_.argsort()[:, ::-1] terms = vectorizer.get_feature_names_out() for i in range(n_clusters): print(f"\nCluster {i} 主题关键词:") for j in order_centroids[i, :5]: # 取前五个词作为代表 print(f"{terms[j]} ", end="") print("\n") ``` 以上脚本综合展示了如何运用 Python 完成基本的 KMeans 文档分类任务并加以解析说明[^4]。 ---