K-means必须用欧氏距离，因其目标函数最小化平方欧氏距离和，质心更新依赖向量算术平均，该操作仅在欧氏空间有几何意义；改用余弦相似度会破坏收敛性与物理含义。
余弦相似度在聚类中不直接替代欧氏距离，它通常不用于标准 K-means 聚类；强行替换会导致聚类失效。
为什么 K-means 必须用欧氏距离
K-means 的目标函数（WCSS）最小化的是每个点到其簇中心的 euclidean_distances 平方和。它的更新逻辑依赖于向量差的均值：新质心 = 该簇所有点的坐标算术平均值。这个操作只有在欧氏空间下才保证收敛、有意义。
如果把距离换成余弦相似度，就破坏了算法的数学基础——质心不再代表“几何中心”，mean() 失去几何解释，迭代可能发散或陷入无意义局部解。
- 你不能直接把
cosine_similarity塞进KMeans.fit()—— scikit-learn 的KMeans不支持自定义距离 - 即使手动实现“余弦版 K-means”，每次更新质心时需对向量做
L2归一化再求均值，再重新归一化，否则方向信息被长度污染 - 实践中，用余弦做聚类，更稳妥的做法是先对原始向量做
normalize(X, norm='l2')，再用标准 K-means（此时欧氏距离 ≈ 余弦距离）
什么时候真该用余弦相似度做聚类
当你处理的是**方向敏感、长度无关**的高维稀疏数据，且聚类目标是“语义/主题一致性”而非“数值邻近性”时。典型场景包括：
立即学习“Python免费学习笔记（深入）”；
- TF-IDF 向量聚类新闻文档（长文 vs 短摘要，词频绝对值差异大）
- 用户行为向量（如商品点击频次），关注“偏好分布模式”而非“活跃度高低”
- 嵌入向量（如 sentence-transformers 输出），本身已归一化，
cosine_similarity和euclidean_distances单调等价
这时推荐换用支持余弦距离的聚类器：AgglomerativeClustering 配 metric='cosine'，或 DBSCAN 配 metric='precomputed'（先算好余弦距离矩阵）。
常见错误：混淆相似度与距离、忽略归一化
直接拿原始 TF-IDF 矩阵计算 cosine_similarity 得到的是 [0,1] 区间值，但 AgglomerativeClustering 需要的是距离（越小越近）。必须传 1 - cosine_similarity(X)，否则会把最相似的样本当成最远的来合并。
- 错误写法：
model.fit(cosine_similarity(X))→ 把相似度当距离用 - 正确写法：
dist_matrix = 1 - cosine_similarity(X); model.fit(dist_matrix) - 更安全做法：用
sklearn.metrics.pairwise_distances(X, metric='cosine')，它直接返回距离矩阵 - 注意：
pairwise_distances对稀疏矩阵支持更好，而cosine_similarity返回密集矩阵，容易爆内存
真正关键的不是“选哪个”，而是明确聚类目标：你要分的是“数值上接近的人”，还是“兴趣方向一致的人”。前者靠欧氏距离，后者靠余弦——但别指望一个 K-means 对象自动切换模式。
