聚类与降维算法全解析：从原理到实战的完整指南

如果你去翻招聘面试的算法题，或者期末考试的复习提纲，“聚类”和“降维”几乎永远是被放在一起点名的两块硬骨头。我第一次真正意义上同时碰这两类算法，是在一个用户分群的项目里：面对三百多列用户特征，光是算距离矩阵就把内存吃得差不多了，更别提把人群画出来给业务方看。后来才琢磨明白，聚类用来“把人分群”，降维用来“把数据看清”，两者天然互补，也是无监督学习里最常配对出场的两个主角。

这篇内容适合这么几类人：刚开始学机器学习、想系统梳理聚类和降维的初学者；期末要考机器学习、正在找复习重点的学生；以及准备面试时想快速过一遍算法体系的同学。我会把算法原理、核心参数、Python实战代码、评估方法和常见的坑一次讲透，尽量让看完的人能直接上手跑通一条“数据预处理 -> 降维 -> 聚类 -> 评估”的完整链路，也能在考场上把高频概念题答清楚。

1. 为什么聚类和降维总被放在一起聊

1.1 两个算法家族的本质关系

聚类是无监督学习的核心任务，它解决的是“没有标签，怎么把样本自动分成有意义的组”这个问题。降维严格来说不算一个独立的学习任务，它更像数据预处理手段，解决的是“特征太多、太冗余、信息密度太低，怎么压缩成更少维度且尽量保留信息”的问题。

这两者经常被放在一起，主要有三个原因：

• 高维数据本身会让聚类失效。距离在高维空间变得不敏感，样本之间的欧氏距离趋向于平均，聚出来的簇没有意义，这就是俗称的维数灾难。所以很多聚类项目会先降维再聚类。
• 降维后可以做可视化，方便人眼判断聚类效果。二维散点图一看就知道分成了几群，比盯着聚类指标要直观得多。
• 两者在数学工具上高度重合。PCA用协方差矩阵的特征分解，谱聚类用拉普拉斯矩阵的特征分解，LDA用类间散布矩阵的广义特征问题——做降维和做聚类的许多底层矩阵运算是一致的。

我在实际项目里的感受是：聚类是目的，降维是手段。当数据维度高到无法直接建模时，降维不是可选操作，而是必经之路。

1.2 这东西学完到底能干什么

从应用角度看，聚类和降维的覆盖面特别广，说几个我实际接触过的场景：

• 用户分群：电商平台根据用户的浏览、购买、收藏行为做聚类，把用户切成价格敏感型、品牌偏好型、低频观望型等几个群，不同群做不同运营策略。特征往往上百维，先PCA压缩到20维再聚类，效果远好于直接跑K-Means。
• 图像聚类：把图片提出特征向量后做聚类，实现无标注的图片整理。
• 异常检测：DBSCAN把密度低的点识别为噪声，和主群分开。反欺诈场景里经常用这个思路。
• 数据可视化：高维数据用t-SNE或UMAP压到二维，看样本分布，排查数据质量、做报告展示都离不开。

对于备考的学生来说，聚类和降维是机器学习课程里最容易出“综合大题”的部分。概念题考K-Means和层次聚类的流程，计算题考PCA特征值或者K-Means一轮迭代，设计题让给出“高维数据聚类”的整体方案。把这套内容吃透了，期末基本不慌。

1.3 一个贯穿全文的示例

为了让后面内容不飘，我先固定一个示例。假设有一批用户数据，每条记录包含年龄、年消费额、月登录次数、平均停留时长等十几个特征。我们要做的是：去掉冗余特征、把用户分群、最后把分群结果画出来给业务方看。这个场景会贯穿全文，用来演示降维和聚类怎么配合。

2. 聚类算法全景拆解

2.1 聚类流派扫盲

聚类算法大体可以分成四个流派，思想完全不同，适用场景也完全不同：

• 原型聚类：代表是K-Means，核心思想是“每个簇用一个中心点代表”，通过迭代优化让每个点到所属中心点的距离之和最小。特点是快、简单，适合大规模数据和凸形簇，但对离群点敏感，聚类形状也偏球形。
• 密度聚类：代表是DBSCAN，核心思想是“簇是密度相连的点的最大集合”。它能自动发现任意形状的簇，还能把低密度区域标记为噪声，对离群点很稳。缺点是参数（eps和min_samples）不好调，数据密度差异大的时候容易失效。
• 层次聚类：代表是AGNES（自底向上凝聚）和DIANA（自顶向下分裂），核心思想是把样本逐层合并或分裂，形成一棵聚类树。好处是不用预设簇数，可以按树状图任意切分；缺点是时间复杂度高，不适合大数据量。
• 分布聚类：代表是高斯混合模型GMM，假设每个簇服从一个高斯分布，用EM算法估计参数。它能输出“某个样本属于某个簇的概率”，适合簇形状不是球形、或者你想做软聚类的情况。

既然期末和面试最爱考K-Means、层次聚类和DBSCAN这三种，下面重点展开。

2.2 K-Means的完整原理和参数细节

K-Means虽然是聚类里最基础的算法，但真要把它讲清楚、用明白，有几个细节值得深挖。

算法流程其实很简单：

1. 随机（或人工指定）选择K个点作为初始质心。
2. 计算每个样本到K个质心的距离，把它归到最近的质心所在的簇。
3. 对每个簇重新计算质心，取簇内所有样本的均值。
4. 重复2和3，直到质心不再变化或达到最大迭代次数。

这里有几个常被忽略的关键点：

一是距离度量。默认用欧氏距离，也就是L2距离。如果特征是量纲不同的混合数据，比如年龄和消费金额直接算欧氏距离，消费金额会完全主导结果。所以跑K-Means前基本必须做标准化，让每个特征在同一尺度上。如果你想用曼哈顿距离或者余弦相似度，那就不叫标准K-Means了，实现上要自己改逻辑。

二是K值怎么选。最常用的方法是手肘法：计算不同K值下的簇内误差平方和SSE，画出来以后找“拐点”。还有一种更严谨的是轮廓系数，计算每个样本的凝聚度和分离度，系数越大说明聚类效果越好，在K=2到K=10之间遍历，取轮廓系数最高的K值。

三是初始化方式。标准K-Means用随机初始化，容易陷入局部最优。工程上一般用K-Means++，它的思路是：第一个质心随机选，后续质心尽量选离已有质心远的点，能在很大程度上规避局部最优问题。sklearn里默认就是K-Means++，这也是为什么用库比自己写要稳的原因。

四是收敛判断。一般是质心移动距离小于阈值，或者SSE变化小于阈值。迭代次数上限也要设置，防止数据不收敛时无限循环。

K-Means的时间复杂度是O(n·k·t)，n是样本数，k是簇数，t是迭代次数。样本量大时依然很快，这也是它几十年来都是首选聚类工具的原因。

2.3 层次聚类与DBSCAN的关键区别

层次聚类和K-Means最大的不同在于：它不要求先指定K值，而是输出一棵树。自底向上的凝聚式层次聚类，先是每个样本独立成簇，然后每次找距离最近的两个簇合并，直到所有样本都并到一棵树里。合并过程形成树状图，你可以在任意高度“切一刀”，得到想要的簇数。

这里还有一个考点：簇间距离怎么定义。单链接（最近样本距离）容易形成长条簇，全链接（最远样本距离）偏向紧实球形簇，平均链接是折中方案。很多资料会把沃德法（Ward）单拎出来讲，因为它合并时使簇内方差增加量最小，实际效果通常最好。

DBSCAN则完全换了一个思路。它定义了两个参数：eps是邻域半径，min_samples是一个点被称为核心点所需的最小邻居数。算法从任一未访问点开始，找它的eps邻域内所有点，如果邻居数不小于min_samples，就扩张成一个簇，继续检查簇内其他点；如果邻居数不够，就标记为噪声。这样天然能把稀疏噪声区分出来，不怕数据里有异常点。

DBSCAN最大的优点有两个：一是无需预设簇数，二是簇形状任意。我做过一次地理位置的聚类，用户分布并不是几个正圆，而是沿着城市主干道呈带状，用K-Means怎么分都怪，换DBSCAN一下子就出来了几条带状的簇。但它的短板也明显：如果你数据密度差异大，一个eps值不可能同时适配密集区和稀疏区，聚出来大概率是一边全是一类、另一边全是噪声。这种场景需要改用OPTICS或者做密度分层处理。

2.4 Python实战：三行代码跑通主流聚类

写代码前先说工具。K-Means、层次聚类、DBSCAN这些算法，sklearn已经封装得很好了，不需要自己造轮子。如果你只是想快速跑一个聚类，用sklearn就够了。如果你想研究算法细节，可以看scipy的层次聚类实现，或者直接读sklearn源码。

下面给一个能直接跑的示例，用的数据集是sklearn自带的make_blobs，生成三堆可分的点：

python复制import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans, DBSCAN, AgglomerativeClustering
from sklearn.metrics import silhouette_score

# 生成三簇模拟数据
X, y_true = make_blobs(n_samples=500, centers=3, cluster_std=0.8, random_state=42)

# 标准化
X_scaled = StandardScaler().fit_transform(X)

# K-Means
kmeans = KMeans(n_clusters=3, init='k-means++', n_init=10, max_iter=300, random_state=42)
kmeans_labels = kmeans.fit_predict(X_scaled)

# 轮廓系数评估
print("K-Means 轮廓系数:", silhouette_score(X_scaled, kmeans_labels))

# 层次聚类（沃德法）
agg = AgglomerativeClustering(n_clusters=3, linkage='ward')
agg_labels = agg.fit_predict(X_scaled)

# DBSCAN
db = DBSCAN(eps=0.5, min_samples=5)
db_labels = db.fit_predict(X_scaled)

# 可视化
fig, axes = plt.subplots(1, 3, figsize=(15, 4))
for ax, labels, title in zip(axes, [kmeans_labels, agg_labels, db_labels],
                               ['K-Means', 'Agglomerative', 'DBSCAN']):
    ax.scatter(X_scaled[:, 0], X_scaled[:, 1], c=labels, cmap='viridis', s=15)
    ax.set_title(title)
plt.show()

这份代码里有几个细节值得注意：

• StandardScaler在聚类前几乎必须做，不然特征尺度不一致，距离会被大尺度特征主导。
• KMeans里的n_init=10表示做10次不同初始化，取SSE最小的结果。如果你的数据没有明显簇结构，真正的质心收敛可能很慢，n_init设置得大一点能提高稳定性。
• DBSCAN的eps取值对结果影响巨大。一个经验法则是先算样本两两距离，取距离分布的中位数作为eps初始值，再少量调整。sklearn没有直接提供这个工具，你可以写几行代码自算，这个后面在常见问题部分细说。

2.5 聚类效果怎么评估才靠谱

很多人跑完聚类后喜欢直接用肉眼看图，这没问题，但面试和写报告时总要拿出数字。聚类评估分两类：

内部指标不需要真实标签，只根据聚类结果的紧密度和分离度来评价。最常用的是轮廓系数（Silhouette Coefficient），范围在-1到1之间，越接近1说明样本离自己簇中心近、离其他簇远。还有戴维森堡丁指数（DBI），越小说明簇内越紧、簇间越远。

外部指标需要真实标签，适合在实验环境里评估聚类算法在已知数据上的表现。常用的是调整兰德指数（ARI）和互信息（NMI）。ARI对标签的随机分配做了校正，随机分类的ARI接近0，完全一致的ARI为1。

实战中我的建议是：如果数据有真标签，优先看ARI和NMI，它们能客观反映聚类和真实分布的匹配程度；如果数据没标签，用轮廓系数和一个能说明业务意义的指标组合来判断，比如分群后的消费均值差异是否显著。算法跑出来的群如果业务上解释不通，再漂亮的系数也没用。

3. 降维算法全面拆解

3.1 降维到底在做什么

降维的本质是“用更少的变量表示原始数据的核心结构”。这个“更少”可以是做特征选择，直接从原有特征里挑一部分；也可以是做特征提取，把原有特征线性或非线性组合成新特征。聚类场景里，我们说的降维基本上指后者。

为什么必须降维？除了前面提到的维数灾难，还有几个很现实的原因：

• 特征之间高度相关，信息冗余严重。比如“年消费额”和“月均消费额”本质上就是一个东西，两个都放进去，距离计算时这个维度被重复加权了。
• 噪声特征会掩盖真实结构。真实特征只有两三个，其余二十个全是噪声，聚类时噪声会把真实信号淹没。
• 计算和存储成本。超高维矩阵的运算代价是灾难性的。

降维算法分成两大类：线性降维和非线性降维。线性降维的代表是PCA和LDA，适合数据大致落在线性子空间附近的情况；非线性降维的代表是t-SNE和UMAP，适合流形结构数据，能把卷曲、嵌套的低维结构展开。

3.2 PCA的数学原理和实操要点

PCA是每次面试和期末必考的重头戏，原理并不难，但要能讲清楚每一个步骤为什么这么做。

核心目标一句话：找到一个新坐标系，使得数据在新坐标轴上的方差最大。直觉上说，方差最大的方向就是数据差异最大的方向，保留这个方向等于保留了最多的信息。

算法步骤如下：

1. 对原始数据做中心化，也就是每个特征减去均值。这一步让协方差矩阵的计算变得规范。
2. 计算特征之间的协方差矩阵。
3. 对协方差矩阵做特征值分解，特征值表示该特征向量方向上的方差大小。
4. 把特征值从大到小排序，取前d个最大的特征值对应的特征向量作为新坐标轴。
5. 用原始数据乘以这些特征向量组成的矩阵，得到降维后的数据。

实际使用中有几个需要注意的点：

一是标准化还是中心化。如果特征量纲差异大，只做中心化会让大方差特征主导主成分，所以通常先做标准化，让每个特征方差为1，再做PCA。但标准化之后PCA找的是相关系数矩阵的主成分，而不仅仅是协方差矩阵的方向，这会让原始方差占比的解释变弱。简单来说：数据量纲一致或接近时，可以直接中心化后做PCA；量纲差异大时，先标准化再做。

二是降维维度怎么定。最常用的是累计解释方差比，选到累计解释方差达到80%或90%的维度数。实际项目中，有时候甚至只取两到三个主成分，纯粹是为了可视化。主成分的解释是个体力活，每个主成分是原始特征的线性组合，权重大的特征往往决定了这个主成分的含义。我会把权重绝对值排序，挑出前几名特征去业务上解释。

三是PCA和聚类的关系。PCA可以滤掉一部分噪声，让后续聚类更稳。但要注意：PCA保留了的是全局方差最大的方向，不等于聚类需要的判别方向。从严格意义上讲，PCA把数据落到主成分方向上再去聚类，是有信息损失的，只是损失的一般是无监督聚类不关心的噪声信息。如果目标就是为了分群，可以优先保留方差大的主成分再聚类，这属于工程经验，不是理论保证。

3.3 从LDA到t-SNE和UMAP

LDA全称线性判别分析，和PCA最大的区别是：PCA是无监督的，不管样本标签；LDA是有监督的，它要找的方向是“让不同类样本之间的距离尽量远、同类样本距离尽量近”的方向。所以LDA在分类场景里非常强大，但聚类场景里没有标签用不上。

t-SNE是另一种常见的非线性降维算法，尤其在可视化场景里几乎成了标配。它的核心思路分两步：先在高维空间里计算样本之间的相似度（用高斯分布建模概率分布），再在低维空间里构造一个相似度分布，用梯度下降让两个分布尽量接近。这样，高维空间里相近的样本在低维空间里也相近，高维空间里远的样本在低维空间里会被推开。

t-SNE有个特别关键的参数叫困惑度，可以理解为“每个点在低维空间里有多少个邻居”，一般取5到50之间，数据量大时取30左右比较稳。困惑度过小，点会散成碎片；过大，簇边界会模糊。

UMAP是近年来更受青睐的非线性降维工具，它的数学基础是黎曼流形和拓扑学，但用法上可以简单地理解为“更快的t-SNE”。UMAP在运行速度、全局结构保留程度上通常优于t-SNE，尤其适合几十万级别的数据可视化。它也有自己的参数，核心是n_neighbors和min_dist，前者控制局部邻居范围，后者控制点在低维空间里能挤多紧。

3.4 实战：高维数据可视化链路

很多人学习PCA时总是拿二维数据举例，但实际场景里我们更常遇到的是高维数据。以手写数字数据集为例，每一张图是64维像素特征，直接PCA降到二维，再用K-Means聚类，最后用t-SNE可视化，这一步是典型的高维聚类展示链路。

python复制from sklearn.datasets import load_digits
from sklearn.decomposition import PCA
from sklearn.manifold import TSNE
from sklearn.cluster import KMeans

# 加载64维手写数字数据
digits = load_digits()
X = digits.data   # (1797, 64)
y = digits.target

# PCA降维到二维，做可视化
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)

# t-SNE降维到二维
tsne = TSNE(n_components=2, perplexity=30, random_state=42)
X_tsne = tsne.fit_transform(X)

# 在t-SNE结果上做K-Means聚类
kmeans = KMeans(n_clusters=10, random_state=42)
labels = kmeans.fit_predict(X_tsne)

plt.figure(figsize=(12, 5))
plt.subplot(1, 2, 1)
plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y, cmap='tab10', s=5)
plt.title('PCA visualization')
plt.subplot(1, 2, 2)
plt.scatter(X_tsne[:, 0], X_tsne[:, 1], c=labels, cmap='tab10', s=5)
plt.title('t-SNE + K-Means visualization')
plt.show()

这个例子里，PCA的结果和t-SNE的结果差异肉眼可见：PCA保留了全局方差，但不同数字的类别往往重叠在一起；t-SNE让同一类别的点聚成一团，不同类别之间的分离非常清晰。这里有个容易踩的坑：不要在t-SNE降维后的结果上直接做K-Means聚类并期望它一定比在原始数据上聚类更好。因为t-SNE的重要目标是保持局部邻居关系，它会把不同簇“推开”，但簇之间的距离在低维空间里并不保真，所以聚类结果要看指标来验证。

3.5 降维的避坑列表

我用过PCA做过大量实际项目，也踩过不少坑，这里集中总结一下：

• 先标准化再做PCA，这几乎是铁律。不做标准化，量纲大的特征直接主导第一主成分，你得到的不是一个“数据结构”的表示，而是最大尺度特征的投影。
• 主成分方向比较难解释，不要强行给每个主成分起名。业务上你可以说“第一主成分主要由消费金额、消费频次驱动”，但别硬编一个“消费活跃度”，除非经过业务验证。
• 别把PCA当作特征选择。PCA生成的新特征是原始特征的线性组合，它没有“剔除某个原始特征”，只是把它们换了坐标系。当你需要保留特征可解释性时，应该做特征选择而不是PCA。
• 稀有类别在t-SNE里可能被挤压成独立小点，看起来像簇，实际只是个别样本。所以可视化之后还要结合原始数据检查这些“簇”的样本量。

4. 聚类与降维组合使用的完整方案

4.1 一个可复用的流程模板

在实际项目中，我通常把聚类和降维串成一条线来用：

1. 数据清洗：处理缺失值、异常值。
2. 标准化：连续特征统一Z-score标准化。
3. 降维：先看特征数量。特征上百个，先PCA压到几十维；特征几十个，可以先做相关性分析，删掉强相关特征，再决定是否需要PCA。
4. 聚类：根据业务目标选择聚类算法。业务要固定数量的群，用K-Means；不知道群数，先用层次聚类看树状图；有噪声和异常趋势，用DBSCAN。
5. 评估：有标签用ARI，没标签用轮廓系数，同时结合业务指标判断分群是否可用。
6. 可视化：用PCA或t-SNE把结果画到二维，标注每个簇。

4.2 电商用户分群的真实操作案例

回到开头说的用户分群项目。当时的数据有年龄、性别、注册时长、累计消费金额、近30天消费金额、近30天消费次数、近30天登录次数、平均停留时长、浏览页面数等十几个特征。

我的处理顺序是这样的：

首先做相关性分析，发现“累计消费金额”和“近30天消费金额”相关系数0.8以上，二者存在严重共线性，先保留一个。其次标准化。然后做PCA，前5个主成分解释了约82%的方差，于是把特征压缩到5维。再跑K-Means，遍历K=2到8，计算轮廓系数，发现K=4时轮廓系数最高，同时业务意义最清楚：高价值沉睡用户、高活跃低消费用户、稳定中等消费用户、低活跃低消费用户。最后用t-SNE画二维图，四个簇在图上分得清清楚楚，直接拿去做运营分析。

这个案例里最关键的一步其实是“先删相关性高的特征再做PCA”。如果不删，共线性特征会把信息重复计入主成分，PCA虽然还是会压维度，但主成分权重会被重复特征带偏，结果解释起来很别扭。

4.3 先降维后聚类和先聚类后降维

这个问题经常有人问。我的经验是：常规场景先降维后聚类。原因很简单，聚类用距离衡量相似性，高维距离不稳定，先降维能提升聚类的稳定性。

但有一种情况可以考虑先聚类后降维：当你的特征维度不高（比如10到20维），且每个特征都有明确业务含义时，直接用原始特征跑K-Means，再用t-SNE可视化展示聚类结果，这样分群规则的业务解释性好，领导也能看懂。先降维会牺牲掉特征的可解释性，这在业务报告中是个减分项。

4.4 降维不是聚类的万能药

降维能解决很多问题，但不能掩盖数据本身的质量问题。如果原始数据里本身没有簇结构，比如样本均匀分布在一个超球面上，降维和聚类都白搭，强行的聚类只会得到一堆没有意义的边界。所以跑之前最好先用PCA降维到二维或者三维，肉眼看看样本是否有聚集的趋势。如果一片均匀分布，那说明数据集不适合做无监督聚类，要么换特征，要么换任务。

5. 考前突击：聚类与降维高频考点

5.1 高频概念题整理

结合各大高校机器学期末考题和面试题，聚类和降维的高频概念题我整理成了下面这张表，可以直接当复习提纲用：

考试时最怕同学把“K-Means的目标函数”写成“最小化每个点到质心的欧氏距离之和”，这没问题，但要补一句：等价于最小化簇内平方和。

5.2 高频计算题套路

K-Means手算轮迭代几乎是期末必考题型。通常会给你6个点，K=2，初始质心给定，让你计算第一轮聚类结果和新质心。这种题的难点不是算数，而是别算错“距离”。提醒两个易错点：1. 距离要用欧氏距离，记得开根号；2. 计算新质心时要取簇内所有点的均值，不是取中点。

PCA的手算题则一般是这样：给一个2乘2的协方差矩阵，求特征值和特征向量，然后说明主成分对应的方差是多少。这道题本质是解特征方程，|A-λI|=0。算出λ后，把λ代回去解线性方程组得到特征向量。要注意特征向量要归一化，不然后续投影会出错。

如果时间充足，建议把两道题都完整做一遍，考场上几乎可以照葫芦画瓢。

5.3 手撕代码的套路

如果面试要求现场写聚类或降维，大多数公司不会要求你用numpy手写PCA，一般用sklearn就行。但有一个例外：手写K-Means。这个考的是对算法理解是否扎实。给一个简单的模板：

python复制def kmeans(X, k, max_iters=100):
    # 随机初始化质心
    centroids = X[np.random.choice(len(X), k, replace=False)]
    for _ in range(max_iters):
        # 分配样本到最近质心
        distances = np.linalg.norm(X[:, np.newaxis, :] - centroids, axis=2)
        labels = np.argmin(distances, axis=1)
        # 更新质心
        new_centroids = np.array([X[labels == i].mean(axis=0) for i in range(k)])
        if np.allclose(new_centroids, centroids):
            break
        centroids = new_centroids
    return labels, centroids

这段代码不复杂，但重点在于：用索引分配样本、用每个簇均值更新质心、用np.allclose判断收敛。面试官如果追问初始化方式，你说出K-Means++就行。笔试现场能快速写出这个，基本就能拿到分数。

6. 工具选型与常用库速查

6.1 sklearn使用向导

不用重复造轮子，这是工程实践的第一原则。Python里做聚类和降维，最常用的库就是scikit-learn。我把常用的类按功能列出来：

另外，scipy.cluster.hierarchy提供了更详细的层次聚类函数，可以画出漂亮的树状图。如果想快速看不同K值下SSE的变化，可以用matplotlib画手肘图，这在选K时非常直观。

6.2 聚类算法怎么选型

我总结了一张选型对照表，基本上可以根据数据情况直接对号入座：

6.3 工程上的效率建议

当样本量超过十万甚至百万级时，K-Means还是最好用的算法，因为sklearn的KMeans实现有K-Means++加速，而且能设置n_init并行。如果想要更快，可以用MiniBatchKMeans，它每次随机抽一个小批量数据更新质心，速度比KMeans快一个数量级，代价是聚类结果稍有波动。

DBSCAN在大数据量下会比较吃力，因为它需要计算样本间的邻域关系，复杂度接近O(n^2)。如果样本量大，可以用DBSCAN的近似加速实现，或者先抽样子集来调参，再上全量。

t-SNE在几万条数据上还能跑，几十万条就会非常慢，这种情况下优先考虑UMAP。UMAP在速度上优势明显，而且低维可视化效果不比t-SNE差。在“先用UMAP压二维、再用K-Means分群”这条路上，我在实践里跑过很多次，效果都还不错。

从我个人的经验来看，聚类和降维这类无监督方法，最大的难点从来不在于公式推导和调参，而在于你是否理解数据本身。K-Means跑得好的人，不是因为他知道手肘法，而是他知道自己的数据里大概存在几类人、每类人长什么样。PCA用得好的人，不是因为他会算特征值，而是他知道压缩完维度之后，主成分依然能解释业务上的差异。

最后再分享一个小技巧：新手刚接触高维数据的聚类时，别一头扎进算法细节里，先画图。用PCA或者t-SNE把数据压到二维，用散点图看看分布，能发现很多算法跑完才能发现的线索——比如离群点、类别不均衡、某个特征主导了聚类结果。这套“先降维看结构、再聚类做分群、最后用指标验证”的流程，我用过不下几十次，几乎每次都把我导向正确的方向。希望这篇梳理能帮你少走点弯路，也祝你期末顺利、面试顺利。