silhouette_score慢的本质是O(n²)距离计算，需构建完整欧氏距离矩阵；大数据量下易内存溢出，且高维时距离退化导致分数失真，应改用Calinski-Harabasz或Davies-Bouldin等O(n×k)指标。
silhouette_score为什么慢？本质是O(n²)距离计算
因为silhouette_score默认对每对样本都算一次欧氏距离，时间复杂度是O(n²)。当X有10万行时，它要算约100亿次两两点距离——这不是代码写得差，而是算法定义决定的。
它内部调用pairwise_distances(X, metric='euclidean')生成完整距离矩阵，哪怕你只想要一个平均分，也得先把整个(n, n)矩阵算出来。
- 数据量
n ：基本无感，几秒内完成 -
n ≈ 20000：可能卡住1–3分钟，CPU跑满 -
n > 50000：大概率内存爆掉（float64距离矩阵占约20GB）或直接OOM Killed
DBSCAN或KMeans后直接调用silhouette_score就卡死？检查是否传了噪声点
DBSCAN返回的labels常含大量-1（噪声），而silhouette_score会对所有样本参与距离计算——包括那些被标记为“不属于任何簇”的点。它们不仅拉低分数，更让距离矩阵稀疏性失效，白白多算一堆无意义的距离。
正确做法是先过滤再重编号：
立即学习“Python免费学习笔记（深入）”；
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
mask = labels != -1 X_clean = X[mask] labels_clean = labels[mask] <h1>重编号为 0, 1, 2...（否则silhouette_score会报"Number of labels is 1"）</h1><p>from sklearn.preprocessing import LabelEncoder le = LabelEncoder() labels_renum = le.fit_transform(labels_clean)</p><p>score = silhouette_score(X_clean, labels_renum)
想快一点但又不想牺牲精度？换silhouette_samples + 抽样
全量算太贵，但只看平均分又可能掩盖问题。折中方案是用silhouette_samples拿到每个点的s(i)，再随机抽5%–10%样本估算均值——误差通常在±0.02以内，耗时降为原来的1/10～1/20。
- 别用
np.random.choice直接抽索引再切片，那样会破坏X和labels对齐 - 用
sklearn.utils.resample保证特征与标签同步采样 - 抽样前务必确认每类至少还有2个样本，否则
silhouette_samples会返回nan
高维、大数据量下真正靠谱的替代指标是什么？
当n > 30000或维度>50时，轮廓系数本身已失去稳定性——高维空间中“距离”概念退化，所有点两两距离趋近相等，导致a(i)和b(i)几乎一样，分数集体坍缩到0附近。
这时应切换指标：
-
calinski_harabasz_score(X, labels)：基于簇间离散度/簇内离散度比值，计算是O(n×k)，k为簇数，快一个数量级 -
davies_bouldin_score(X, labels)：同样O(n×k)，对噪声容忍度更高 - 如果业务允许，直接用聚类后各簇的
std()或mean(pairwise_distances)分簇统计，比全局指标更可控
最易被忽略的一点：不是所有场景都适合用轮廓系数。它假设簇是凸形、密度均匀的；遇到长条形簇、环状结构或明显密度差异时，数值再高也没实际意义。
