K-Means聚类效果差八成因未标准化，因量纲差异导致距离计算失真；须用StandardScaler/MinMaxScaler/RobustScaler依数据分布选择，并严格区分fit_transform（训练）与transform（线上），禁用user_id、原始时间戳等无效特征。
K-Means 聚类效果差，八成是因为没做标准化——不是“建议做”，而是不做就必然失效。
为什么原始数据直接喂给 KMeans 会崩
用户行为字段天然量纲混乱：recency_days（0–365）、purchase_count（0–100）、monetary（0–100000+）。K-Means 只认欧氏距离的数值大小，不理解业务含义。结果就是：monetary 的一个单位变动，等效于 recency_days 变动上百天，其他特征全被淹没。
- 聚类中心严重偏移，同一簇内用户毫无行为共性
-
inertia（簇内平方和）曲线平滑无拐点，肘部法完全失效 - 轮廓系数
silhouette_score普遍低于 0.2，甚至出现负值
StandardScaler 和 MinMaxScaler 怎么选
两者都能解决量纲问题，但适用场景不同：
-
StandardScaler（Z-score）：输出均值为 0、方差为 1，适合服从近似正态分布的特征（如purchase_count、monetary对数变换后） -
MinMaxScaler：线性缩放到 [0, 1]，适合有明确物理边界的特征（如转化率 0–1、占比类字段），但对异常值敏感 - 若数据含明显离群点（比如某用户消费是均值 10 倍），优先用
RobustScaler（基于中位数和四分位距）
示例关键行：scaler = StandardScaler(); X_scaled = scaler.fit_transform(X)
立即学习“Python免费学习笔记（深入）”；
fit_transform 和 fit + transform 别混用
你不是在写 demo，而是在部署用户分群逻辑——这点决定线上是否稳定：
- 训练期（一次性分群）：
scaler.fit_transform(X_train)+kmeans.fit_predict(X_scaled)完全够用 - 线上服务（每天新增用户打标）：必须分开：
scaler.fit(X_historical)→ 保存 scaler → 新数据来时先scaler.transform(X_new)→ 再kmeans.predict(X_new_scaled) - 错把
fit_transform用于新数据：等于每次重拟合 scaler，标准差变、均值漂，标签不可追溯 - 漏掉
transform步骤：新数据未标准化就进已训练的KMeans，距离计算彻底失真
哪些字段看似能用，实则一加就毁
标准化不是万能解药，脏特征进去了，再标准也救不回来：
-
user_id：绝对禁止加入——纯噪声，且必然导致每个用户自成一簇 -
register_date（原始时间戳）：高维稀疏变量，应先转为register_months_ago再标准化 -
is_vip（布尔型）：直接当 0/1 数值喂进去，会扭曲距离权重；要么单独做分层聚类，要么用OneHotEncoder后谨慎评估维度膨胀影响 - 文本类字段（如渠道名称、素材类型）：必须编码（
LabelEncoder或OneHotEncoder），但注意高基数类别会导致稀疏性爆炸
真正起作用的，永远是那几个经过业务理解、清洗、缩放、验证过的连续型行为指标——其余都是干扰项。
