教程 · 2026-06-17

聚类分析（K-means）用 AI 一句话完成 — 客户细分/市场分群完整教程

从 K-means 原理到聚类数确定（肘部法则+轮廓系数），AI 一句话完成聚类分析，输出聚类中心、各类规模、特征刻画，并给出符合 APA 学术规范的论文报告句式。

数据里藏着自然分群，但 K 值怎么定、要不要标准化、结果怎么写进论文 —— 这三道坎卡住了大多数人。这篇文章带你用 AI 一句话全部搞定。

聚类分析在学术/商业研究中的常见痛点

如果你做过消费者研究、用户画像或市场细分，一定遇到过这些困境：

"K 值到底选几？选 3 还是选 5？有没有客观标准？"
"变量量纲差异太大（比如收入 vs 年龄），要不要先标准化？不标准化结果会偏吗？"
"跑出来 3 个聚类，怎么给每类起名字、写特征描述？"
"论文方法部分怎么写聚类分析？审稿人要求报告哪些指标？"
"K-means 和层次聚类有什么区别，我该用哪个？"

传统做法是在 SPSS 里点 分析 → 分类 → K-均值聚类，手动试 K=2、3、4、5，逐次比较，再用 Excel 整理输出表，最后还要自己构思特征描述。整个流程少说两小时。

ChatSRS 把这个流程压缩到一句话。

案例数据：消费者购物行为研究（市场细分场景）

假设你是一名商业管理硕士生，研究题目是"基于消费行为的在线购物用户细分及其购物意愿差异"。数据来自 350 名网购用户的问卷，包含以下连续变量：

monthly_spend     月均网购消费（元）
visit_freq        月均访问电商平台次数
cart_abandon      平均购物车放弃率（%）
review_read       购买前阅读评价数量
price_sensitivity 价格敏感度量表得分（1-7 分）
brand_loyalty     品牌忠诚度量表得分（1-7 分）

研究目的：将消费者分为若干典型群体，并检验各群体在购物意愿上是否存在显著差异（结合后续 ANOVA 分析）。

K-means 原理简介（够用就行）

K-means 的核心思路很直观：

随机初始化 K 个聚类中心（质心）
分配步骤：把每个样本分配给距离最近的质心
更新步骤：重新计算每个簇内所有样本的均值，作为新质心
迭代：重复步骤 2-3，直到质心不再移动（收敛）

算法最小化的目标函数是簇内平方和（SSE / Within-Cluster Sum of Squares），即各样本到其所属质心距离的平方总和。

关键前提：

变量应为连续型（比例/区间尺度）。含定类变量时需改用 K-prototype 算法（ChatSRS 自动处理）
建议对量纲差异大的变量先做 Z-score 标准化，否则取值范围大的变量会主导距离计算
K-means 对初始质心随机性敏感，通常设置多次随机重启取最优结果（ChatSRS 默认多次运行）

用 AI 一句话完成聚类分析

在 chatsrs.com 上传数据后输入：

"对 monthly_spend、visit_freq、cart_abandon、review_read、price_sensitivity、brand_loyalty 这 6 个变量做 K-means 聚类分析。请：

先做标准化处理（Z-score）

用肘部法则（SSE 折线图）和平均轮廓系数确定最优聚类数 K

用最优 K 跑 K-means，输出最终聚类中心表、各类样本量和占比

做单因素 ANOVA 检验 6 个变量在各聚类间的差异（含 F 值、p 值、eta²）

给出每个聚类的特征标签和描述

输出 APA 格式的中文文字分析"

60 秒后 ChatSRS 输出完整结果。

输出结果怎么读

输出 1：最优聚类数确定（肘部法则 + 轮廓系数）

肘部法则（SSE 折线图）
K = 2：SSE = 1847.3
K = 3：SSE = 1124.6  [SSE 下降 Delta = 722.7]
K = 4：SSE =  891.2  [SSE 下降 Delta = 233.4]  <-- 肘部拐点
K = 5：SSE =  754.8  [SSE 下降 Delta = 136.4]
K = 6：SSE =  672.1  [SSE 下降 Delta =  82.7]

平均轮廓系数
K = 2：轮廓系数 = 0.347
K = 3：轮廓系数 = 0.421
K = 4：轮廓系数 = 0.463  <-- 最高，推荐
K = 5：轮廓系数 = 0.398
K = 6：轮廓系数 = 0.351

综合判断：肘部法则和轮廓系数均指向 K = 4，最终选择 4 个聚类。

怎么看：

肘部法则：SSE 随 K 增大而下降，但当 K 超过某个值后降幅明显变缓，那个"拐点"就是推荐的 K 值。本例中 K=3 到 K=4 降幅从 722 骤减至 233，K=4 是拐点。
轮廓系数（范围 -1 到 1）：越接近 1 表示聚类质量越好，各簇分离度越高、内聚性越强。本例 K=4 时轮廓系数最高（0.463），与肘部法则一致，K=4 为最优选择。

输出 2：聚类中心表（标准化后）

表 1  K-means 最终聚类中心（标准化 Z-score，K = 4，N = 350）

变量              第 1 类    第 2 类    第 3 类    第 4 类
monthly_spend     +1.42      -0.87      +0.31      -0.64
visit_freq        +1.18      -0.72      -0.15      +0.89
cart_abandon      -0.93      +0.41      +1.24      -0.38
review_read       +0.76      -0.52      +1.08      -0.81
price_sensitivity -1.24      +1.32      +0.67      -0.43
brand_loyalty     +1.35      -0.64      -0.22      +0.58
样本量（n）         82        97         71        100
占比（%）         23.4%     27.7%     20.3%      28.6%

怎么读：Z-score 聚类中心反映该类在各变量上相对于总体均值的偏离方向和程度。正值越大 = 该类在这个变量上显著偏高；负值越大 = 显著偏低。由此可以为每个聚类描绘"画像"。

输出 3：各聚类 ANOVA 差异检验

表 2  各聚类在 6 个变量上的方差分析结果（N = 350）

变量                  第 1 类        第 2 类        第 3 类        第 4 类        F(3,346)    p           eta²
                      M (SD)         M (SD)         M (SD)         M (SD)
monthly_spend         4821 (612)     1843 (498)     3102 (541)     2214 (487)     87.42       <.001 ***   .431
visit_freq            28.4 (6.2)     11.6 (4.8)     18.3 (5.4)     26.7 (5.9)    74.18       <.001 ***   .392
cart_abandon          18.2 (7.1)     41.3 (9.4)     63.7 (11.2)    27.4 (8.3)    96.54       <.001 ***   .456
review_read           12.3 (3.8)      4.7 (2.6)     14.8 (4.1)      3.2 (2.1)    58.31       <.001 ***   .336
price_sensitivity      2.8 (0.9)      6.1 (0.8)      5.3 (1.0)      3.6 (1.1)    121.7       <.001 ***   .514
brand_loyalty          6.2 (0.7)      3.1 (0.9)      3.4 (1.0)      5.7 (0.8)    103.4       <.001 ***   .473

注：*** p < .001。eta² 均达到大效应（Cohen 阈值 .14）。

关键判读：所有 6 个变量在 4 个聚类间差异均极显著（p < .001），且效应量均属大效应，说明聚类方案具有良好区分效度。

输出 4：聚类特征刻画（AI 自动命名）

第 1 类（n=82，23.4%）：「高消费忠诚型」
  - 月均消费最高（4821 元）、访问频次高（28.4 次/月）
  - 购物车放弃率最低（18.2%）、品牌忠诚度最高（6.2/7）
  - 价格敏感度最低（2.8/7）
  - 画像：有稳定偏好品牌的活跃消费者，对价格不敏感，决策果断

第 2 类（n=97，27.7%）：「低频价敏型」
  - 月均消费最低（1843 元）、访问频次低（11.6 次/月）
  - 价格敏感度最高（6.1/7）、品牌忠诚度低（3.1/7）
  - 画像：偶发性购物者，主要由促销/折扣驱动，品牌黏性弱

第 3 类（n=71，20.3%）：「高犹豫谨慎型」
  - 购物车放弃率最高（63.7%）、购前阅读评价最多（14.8 条）
  - 价格敏感度中高（5.3/7）、访问频次中等
  - 画像：决策谨慎、比价意愿强，信息收集充分但容易在最终购买时放弃

第 4 类（n=100，28.6%）：「高频轻量型」
  - 访问频次较高（26.7 次/月）但消费额中低（2214 元）
  - 品牌忠诚度中高（5.7/7）、购前阅读评价少（3.2 条）
  - 画像：高频浏览但单次消费金额有限，有一定品牌偏好，购买决策快速

论文/报告里怎么写（规范句式）

以下句式可直接填入论文方法部分和结果部分，已对齐 APA 7th 中文学术规范：

方法部分（4.x 数据分析方法）

"本研究采用 K-means 聚类分析对消费者购物行为进行细分。分析前对全部变量进行 Z-score 标准化处理，以消除量纲差异对距离计算的影响。最优聚类数通过肘部法则（SSE 折线图）和平均轮廓系数共同确定，两种方法均指向 K = 4。聚类分析在 R 环境下运行，采用 stats::kmeans() 函数，设置 nstart = 25 以规避随机初始中心带来的局部最优问题（Hartigan & Wong, 1979）。"

结果部分（5.x 聚类分析结果）

"K-means 聚类分析将 350 名消费者划分为 4 类（见表 1）。肘部法则显示 K=4 处 SSE 下降斜率出现明显拐点（K=3 至 K=4 降幅为 233.4，K=4 至 K=5 降幅仅 136.4），平均轮廓系数在 K=4 时达到最大值（0.463），两项指标一致支持选择 4 个聚类。

单因素方差分析验证了聚类方案的区分效度：6 个聚类变量在 4 类之间均存在极显著差异（所有 F > 58, p < .001），效应量 eta² 介于 .336 至 .514 之间，均达到 Cohen（1988）定义的大效应标准（eta² >= .14），表明各聚类在构成变量上具有高度内聚性与外部分离性。

根据聚类中心特征，4 类消费者依次被命名为「高消费忠诚型」（n = 82, 23.4%）、「低频价敏型」（n = 97, 27.7%）、「高犹豫谨慎型」（n = 71, 20.3%）和「高频轻量型」（n = 100, 28.6%），各类画像描述见表 2。"

参考文献格式（APA 7th）：

Hartigan, J. A., & Wong, M. A. (1979). Algorithm AS 136: A K-means clustering algorithm. Journal of the Royal Statistical Society, Series C (Applied Statistics), 28(1), 100-108. https://doi.org/10.2307/2346830

常见问题 FAQ

Q1：K 值怎么确定？肘部法则和轮廓系数哪个更可靠？

两种方法各有侧重，建议联合使用：

肘部法则直观但主观，拐点有时不明显（SSE 曲线很平缓）。
轮廓系数更客观，直接衡量聚类质量（内聚性/分离性之比），更受学术期刊认可。
若两者一致，直接采用；若不一致，优先参考轮廓系数，同时结合业务/学术解释合理性决定。

ChatSRS 会同时输出两种诊断图，并给出综合建议，无需手动判断。

Q2：变量要不要标准化？量纲一样还需要标准化吗？

量纲差异大时（如收入单位"元" vs 年龄单位"岁"），必须标准化，否则取值范围大的变量会主导距离计算，导致聚类结果失真。
量纲相同且业务含义可比时（如均是 1-7 分 Likert 题），可以不标准化，但标准化通常也无害。
ChatSRS 默认对所有变量做 Z-score 标准化（均值=0，标准差=1），论文报告时需注明"所有变量已标准化"。

Q3：含定类变量（如性别、地区）能用 K-means 聚类吗？

标准 K-means 不能直接处理定类变量，因为欧式距离对类别型数据无意义。解决方案：

混合型聚类（K-prototype）：专为连续变量 + 定类变量混合场景设计，在 ChatSRS 中告知"包含定类变量"即可自动切换。
哑变量编码（One-Hot）：将定类变量转为 0/1 编码后参与 K-means，适用于定类变量类别数不多的情形，但高维 One-Hot 可能引入维度灾难。
建议：若定类变量是核心细分维度，优先用 K-prototype；若只是辅助背景变量，可先用连续变量聚类，再用定类变量做聚类结果的交叉描述。

Q4：K-means 和层次聚类（Hierarchical Clustering）该选哪个？

对比维度	K-means	层次聚类
样本量适用范围	大样本（n > 200）高效	小样本（n < 500）更合适
需要预设 K 值	是（需指定 K）	否（通过树状图决定）
结果稳定性	受随机初始中心影响（多次运行取优）	确定性算法，结果唯一
学术使用频率	高（尤其市场/消费者研究）	中（生物信息学、心理学常用）
典型用途	已知大致分群数、大样本探索性细分	不确定分群数、小样本探索性分析

实践建议：先用层次聚类的树状图（dendrogram）辅助判断合理 K 值，再用 K-means 做正式聚类，这是学术论文中常见的两步策略，ChatSRS 可一句话触发此流程。

Q5：聚类结果如何验证？审稿人会问什么？

审稿人通常关注以下几点：

聚类数确定依据：肘部法则和/或轮廓系数，两者都报最佳。
区分效度：ANOVA 检验各变量在聚类间是否显著不同（F 值 + p 值 + 效应量 eta²）。
稳定性：是否做了多次运行（nstart >= 20）取全局最优，避免局部最优解。
标准化处理：是否说明了对变量做了标准化及原因。
后续效标效度：用聚类结果做 ANOVA（如比较各群购物意愿），验证聚类对外部变量的预测区分能力。

ChatSRS 输出的结果报告已涵盖上述全部要点。

Q6：样本量多少才够做 K-means？

通常建议每类至少 30 个样本，即：若你预期 K=4，总样本量至少 120 以上。更稳健的标准是总样本量 >= 5K × 变量数。本文案例 350 人、6 变量、4 类，满足 350 >= 5×4×6 = 120，分析合理。若样本量不足，考虑先做层次聚类（对小样本更稳健）。

小结

聚类分析的难点从来不是运行算法本身，而是三件事：确定 K 值、标准化决策、结果的学术规范表达。ChatSRS 通过一句自然语言指令，自动完成标准化 → 肘部法则/轮廓系数联合选 K → K-means 聚类 → ANOVA 区分效度验证 → 特征命名 → APA 文字分析的完整链路，把原本 2 小时的工作压缩到 1 分钟。