简介本资源为基于K均值聚类的音乐数据可视化分析系统Python源码包面向计算机、数据科学与大数据、人工智能等专业的在校学生与教师可用于课程设计、毕业设计、大作业或项目立项演示。包内共48个文件以py源码、csv数据集、png可视化图表、mp4录屏演示及txt词表文档为主压缩包约22.52MB涵盖聚类算法实现、音乐数据清洗、评价词表与多类曲风图表等模块。项目代码完整且功能验证通过附带完整资料与录屏演示便于对照理解K均值聚类在音乐数据上的应用流程与可视化呈现方式。已有181人学习关注适合入门进阶学习也可在此基础上二次开发、扩展其他分析功能。需注意解压后项目路径与名称避免使用中文建议重命名为英文后再运行以免出现解析错误。1. 从一份课程设计压缩包说起k均值聚类怎么把音乐数据变成看得懂的图课程设计选题里音乐数据可视化分析系统是个很讨巧的方向——数据好找、图表好看、算法有讲头。但真正动手时多数人卡在同一个地方拿到一份音乐数据集知道要用 k均值聚类却不知道从哪一步开始写代码聚类完的图也看不出音乐风格到底分成了几类。这份「基于k均值聚类的音乐数据可视化分析系统」的压缩包里核心链路其实就四步读数据、选特征、跑聚类、画图。Python 在这里的角色是胶水把 pandas、sklearn、matplotlib 串起来。适合谁看正在做机器学习课程设计、需要一份能跑通且能讲清楚原理的 Python 源码的同学以及想快速复现一套音乐聚类可视化流程的入门者。下面按实际写代码的顺序拆开讲每一步都给能直接抄的代码和参数说明。2. 音乐数据拿到手先做什么特征选择与预处理的三步过滤2.1 音乐数据集里哪些列能喂给 k均值音乐数据集的列通常分三类元信息曲名、歌手、专辑、音频特征节奏、响度、频谱、标签流派。k均值是距离敏感的算法只能吃数值列所以第一步是把元信息和字符串标签剔掉。常见的音乐特征列包括 tempo节奏、loudness响度、energy能量、danceability舞蹈性、acousticness原声感、instrumentalness器乐感、valence情绪积极度等。这些列量纲差异很大——tempo 可能到 150 以上acousticness 却在 0 到 1 之间。如果不做标准化聚类结果会被 tempo 这种大数值列主导等于白跑。我一般会先做一次列筛选把候选特征列显式写成一个列表而不是用select_dtypes一把梭。原因是音乐数据集里有些数值列其实是 ID 或年份喂进去会污染距离计算。import pandas as pd import numpy as np from sklearn.preprocessing import StandardScaler # 读取音乐数据集常见格式是 csv df pd.read_csv(music_data.csv) # 显式指定参与聚类的音频特征列避免把 id、year 等无关数值列带进去 feature_cols [ tempo, loudness, energy, danceability, acousticness, instrumentalness, valence ] # 只保留特征列并丢掉缺失值所在行 X df[feature_cols].dropna() # 标准化k均值基于欧氏距离量纲不统一会导致大数值特征主导聚类 scaler StandardScaler() X_scaled scaler.fit_transform(X) print(样本数:, X_scaled.shape[0], 特征数:, X_scaled.shape[1])这段代码的逻辑是先读数据再用一个显式列表锁定特征列dropna()处理缺失值最后用StandardScaler做 Z-score 标准化。参数上feature_cols需要根据你实际拿到的数据集列名调整如果数据集用的是tempo、energy这类标准列名就直接用如果列名是中文或缩写先print(df.columns)看一眼再改。标准化这步不能省省了之后聚类结果基本不可解释。2.2 缺失值和异常值处理别让一条脏数据毁掉整张图音乐数据集常见的脏数据有两种缺失值和异常值。缺失值用dropna()直接丢是最省事的做法但如果缺失比例超过 10%丢完样本量不够聚类就没意义了。这时候可以改用中位数填充。异常值更隐蔽——比如 loudness 列出现 -60 这种极端值或者 tempo 出现 0这些点会把聚类中心拉偏。# 检查缺失比例决定是丢弃还是填充 missing_ratio df[feature_cols].isnull().mean() print(各特征缺失比例:\n, missing_ratio) # 缺失比例低于 5% 直接丢高于 5% 用中位数填充 if missing_ratio.max() 0.05: X df[feature_cols].dropna() else: X df[feature_cols].fillna(df[feature_cols].median()) # 用 IQR 方法标记异常值先看数量再决定处理方式 Q1 X.quantile(0.25) Q3 X.quantile(0.75) IQR Q3 - Q1 outlier_mask ((X Q1 - 1.5 * IQR) | (X Q3 1.5 * IQR)).any(axis1) print(异常值行数:, outlier_mask.sum(), 占比:, outlier_mask.mean()) # 异常值占比低时直接剔除避免拉偏聚类中心 X X[~outlier_mask]参数说明IQR 的 1.5 倍是常规阈值如果异常值占比超过 5%说明数据分布本身偏斜这时候不该硬剔而应该检查是不是特征选错了。处理完缺失和异常后重新做一次标准化因为填充和剔除会改变均值和方差。提示标准化要在缺失值和异常值处理之后做顺序反了会导致 scaler 的均值方差被脏数据污染。3. 用 sklearn 跑通 k均值聚类从肘部法选 k 到最终标签落地3.1 肘部法确定聚类数 k 的代码与拐点判断k均值最大的参数就是 k也就是聚成几类。音乐风格通常分 5 到 8 类比较合理但具体选几不能拍脑袋。肘部法是最常用的手段对 k 从 2 到 10 分别跑一次聚类记录 inertia簇内平方和然后看曲线在哪个 k 之后下降变缓那个拐点就是候选 k。from sklearn.cluster import KMeans import matplotlib.pyplot as plt inertias [] k_range range(2, 11) for k in k_range: # n_init10 表示用 10 组不同初始中心跑取最优避免陷入局部最优 km KMeans(n_clustersk, n_init10, random_state42) km.fit(X_scaled) inertias.append(km.inertia_) # 画肘部图横轴 k纵轴 inertia plt.figure(figsize(8, 5)) plt.plot(list(k_range), inertias, markero) plt.xlabel(聚类数 k) plt.ylabel(簇内平方和 inertia) plt.title(肘部法选择最优 k) plt.grid(True) plt.savefig(elbow_method.png, dpi150) plt.show()这段代码的关键参数是n_init10它让 k均值用 10 组不同随机初始中心各跑一遍取 inertia 最小的那次结果。早期 sklearn 默认n_init10新版本改成了auto显式写 10 更稳。random_state42保证每次跑结果一致方便调试。拐点判断没有绝对公式我的经验是如果 inertia 从 k5 到 k6 下降幅度小于 10%就选 5。音乐数据一般 k5 或 k6 比较合适。3.2 训练最终模型并把聚类标签拼回原表确定 k 之后用最终 k 值训练模型把预测出的簇标签拼回原始 DataFrame这样后面画图时既能用标准化后的特征也能用原始值做可读性标注。# 用肘部法确定的 k 训练最终模型 final_k 5 km_final KMeans(n_clustersfinal_k, n_init10, random_state42) cluster_labels km_final.fit_predict(X_scaled) # 把簇标签拼回原表方便后续按簇分组分析 df_result df.loc[X.index].copy() df_result[cluster] cluster_labels # 查看每个簇的样本数和各特征均值判断簇的含义 cluster_summary df_result.groupby(cluster)[feature_cols].mean() print(各簇样本数:\n, df_result[cluster].value_counts().sort_index()) print(各簇特征均值:\n, cluster_summary)fit_predict一步完成训练和预测返回的cluster_labels是 0 到 k-1 的整数。拼回原表时用df.loc[X.index]而不是直接df因为前面可能丢过缺失值和异常值索引要对齐。groupby(cluster).mean()是理解每个簇含义的关键——比如某个簇的 energy 和 danceability 都高那它大概率对应舞曲类acousticness 高的簇可能是民谣或古典。3.3 聚类结果的可解释性用簇均值反推音乐风格k均值输出的簇编号本身没有语义0 号簇不代表任何具体风格。要让它可解释得看每个簇在各特征上的均值分布。我一般会把簇均值做一次对比找出每个簇最突出的特征然后给簇起一个人话名字。# 对簇均值做标准化方便横向对比哪个特征在哪个簇更突出 summary_scaled pd.DataFrame( StandardScaler().fit_transform(cluster_summary), indexcluster_summary.index, columnscluster_summary.columns ) # 找出每个簇 z-score 最高的两个特征 for cid in summary_scaled.index: top_feats summary_scaled.loc[cid].sort_values(ascendingFalse).head(2) print(f簇 {cid} 最突出特征: {list(top_feats.index)})这段代码把簇均值再做一次标准化这样不同量纲的特征可以横向比较。输出结果里如果簇 0 的 top 特征是 energy 和 loudness那可以叫它「高能量快歌」簇 3 的 top 特征是 acousticness 和 instrumentalness可以叫「器乐原声」。这一步是课程设计答辩时最能讲出东西的地方比单纯贴一张散点图有说服力。4. 音乐数据可视化散点图、雷达图和热力图的落地画法4.1 用 PCA 降维画二维散点图看簇分离效果音乐特征有 7 维直接画散点图画不出来。常见做法是先用 PCA 降到 2 维再按簇标签上色画散点图。这样能直观看到簇之间有没有重叠。from sklearn.decomposition import PCA # PCA 降到 2 维用于可视化 pca PCA(n_components2, random_state42) X_pca pca.fit_transform(X_scaled) # 按簇标签上色画散点图 plt.figure(figsize(10, 7)) scatter plt.scatter(X_pca[:, 0], X_pca[:, 1], ccluster_labels, cmapviridis, alpha0.6, s30) plt.colorbar(scatter, label簇编号) plt.xlabel(fPC1 ({pca.explained_variance_ratio_[0]:.1%} 方差)) plt.ylabel(fPC2 ({pca.explained_variance_ratio_[1]:.1%} 方差)) plt.title(音乐数据 k均值聚类结果PCA 降维) plt.savefig(cluster_scatter.png, dpi150) plt.show() print(前两个主成分累计解释方差:, pca.explained_variance_ratio_[:2].sum())n_components2是为了画图如果只想看解释方差可以设更高。explained_variance_ratio_告诉你这两个主成分保留了多少原始信息一般累计到 60% 以上图才有参考价值。如果低于 50%说明 7 维特征压到 2 维丢太多信息散点图会糊成一团这时候可以考虑用 t-SNE 替代 PCA但 t-SNE 计算慢课程设计里 PCA 够用。4.2 雷达图对比各簇特征画像散点图看的是簇的分离度雷达图看的是每个簇的特征画像。把各簇的标准化均值画成雷达图一眼就能看出簇之间的差异。# 雷达图对比各簇在 7 个特征上的标准化均值 labels feature_cols num_vars len(labels) angles np.linspace(0, 2 * np.pi, num_vars, endpointFalse).tolist() angles angles[:1] # 闭合雷达图 fig, ax plt.subplots(figsize(8, 8), subplot_kwdict(polarTrue)) for cid in summary_scaled.index: values summary_scaled.loc[cid].tolist() values values[:1] ax.plot(angles, values, labelf簇 {cid}) ax.fill(angles, values, alpha0.1) ax.set_xticks(angles[:-1]) ax.set_xticklabels(labels) ax.legend(locupper right, bbox_to_anchor(1.3, 1.0)) plt.title(各簇音乐特征雷达图) plt.savefig(cluster_radar.png, dpi150) plt.show()雷达图的数据源是summary_scaled也就是各簇均值的标准化结果。angles控制特征轴的角度分布values values[:1]是为了让线条闭合。如果簇数量超过 6雷达图会显得拥挤这时候可以只画差异最大的 3 到 4 个簇。4.3 特征相关性热力图辅助判断冗余特征7 个特征之间可能有强相关比如 energy 和 loudness 通常正相关。如果两个特征相关性超过 0.8它们对聚类的贡献高度重叠可以考虑删掉一个。import seaborn as sns # 计算特征间皮尔逊相关系数 corr_matrix df_result[feature_cols].corr() plt.figure(figsize(9, 7)) sns.heatmap(corr_matrix, annotTrue, fmt.2f, cmapcoolwarm, center0, squareTrue, linewidths0.5) plt.title(音乐特征相关性热力图) plt.savefig(feature_corr.png, dpi150) plt.show()annotTrue在格子里显示相关系数fmt.2f保留两位小数center0让颜色以 0 为中心对称。看热力图时重点找绝对值大于 0.8 的格子那些就是冗余特征对。删掉冗余特征后重新跑一遍聚类如果 inertia 变化不大说明删得合理。5. 避坑与排查k均值聚类在音乐数据上最容易翻车的 5 个点5.1 聚类结果每次跑都不一样现象同一份数据两次运行代码簇的编号和分布都变了。原因k均值初始中心是随机的没固定random_state。解决在KMeans()里显式写random_state42同时确保n_init不小于 10。如果固定了还变检查是不是在标准化之前就做了 train/test 划分导致每次喂进模型的数据不同。5.2 所有样本被分到同一个簇现象value_counts()显示某个簇有 90% 以上的样本其他簇只有零星几个。原因标准化没做或者某个特征量纲远大于其他特征把距离计算完全主导了。解决确认StandardScaler在fit_transform之前没有漏掉任何特征列检查是否有特征的值域是 0 到 10000 这种量级如果有先做 log 变换再标准化。5.3 肘部图没有明显拐点现象inertia 曲线平滑下降看不出拐点在哪。原因音乐数据的簇结构本身不清晰或者特征选择不合理。解决先看特征相关性热力图删掉冗余特征如果还是没拐点改用轮廓系数silhouette score辅助判断轮廓系数在 0.3 以上说明簇结构可接受。另外音乐数据本身是连续渐变的硬聚类效果有限答辩时可以把这点讲清楚反而显得理解到位。5.4 PCA 散点图里簇完全重叠现象降维后的散点图所有颜色混在一起看不出分离。原因前两个主成分解释方差太低或者 k 选得太大。解决先打印pca.explained_variance_ratio_[:2].sum()如果低于 50%说明 2 维不够可以画 3 维散点图或者换 t-SNE如果解释方差够但图还是糊检查 k 是不是设成了 8 以上音乐数据一般 5 到 6 类就够了。5.5 拼回原表时索引对不上导致标签错位现象df_result[cluster]和X_scaled的行数不一致或者拼回去之后某些行的簇标签是 NaN。原因前面dropna()或异常值剔除改变了索引直接df[cluster] cluster_labels会按位置对齐而不是按索引对齐。解决统一用df.loc[X.index]取子表再拼标签或者在最开始就df df.reset_index(dropTrue)保证索引连续。6. 把聚类结果导出成可交付的图表和 CSV课程设计收尾的实用技巧课程设计最后要交的东西通常包括源码、图表和一份说明。图表前面已经生成了但默认的 matplotlib 图分辨率低、字体不支持中文直接贴进报告会糊。我一般会在画图前统一设一次全局参数把中文字体和分辨率固定下来。import matplotlib # 设置中文字体Windows 用 SimHeiMac 用 Arial Unicode MS matplotlib.rcParams[font.sans-serif] [SimHei, Arial Unicode MS] matplotlib.rcParams[axes.unicode_minus] False # 解决负号显示为方块 matplotlib.rcParams[figure.dpi] 150 # 提高默认分辨率 matplotlib.rcParams[savefig.bbox] tight # 保存时自动裁剪白边这段配置放在所有画图代码之前font.sans-serif里写两个字体名是为了跨平台兼容matplotlib 会按顺序找第一个可用的。axes.unicode_minusFalse解决负号显示成方块的问题这个坑几乎每个人都会踩一次。savefig.bboxtight让保存的图自动去掉多余白边贴进 Word 或 Markdown 都更整齐。除了图聚类结果本身也要导出成 CSV方便在报告里附表格或者做进一步分析。# 导出带簇标签的完整结果表 df_result.to_csv(music_cluster_result.csv, indexFalse, encodingutf-8-sig) # 导出各簇特征均值汇总表 cluster_summary.to_csv(cluster_summary.csv, encodingutf-8-sig) # 导出每个簇的样本数 df_result[cluster].value_counts().sort_index().to_csv( cluster_counts.csv, encodingutf-8-sig )encodingutf-8-sig是为了让 Excel 打开 CSV 时不乱码这个细节在交课程设计时很加分。indexFalse去掉 pandas 自动加的行号列表格更干净。还有一个实用技巧把整条流程封装成一个函数传入数据集路径和 k 值就能一键跑完并输出所有图表和 CSV。这样答辩演示时不用一步步执行直接调函数就行。def run_music_clustering(csv_path, k5, output_diroutput): 一键跑通音乐数据 k均值聚类全流程 import os os.makedirs(output_dir, exist_okTrue) df pd.read_csv(csv_path) feature_cols [tempo, loudness, energy, danceability, acousticness, instrumentalness, valence] X df[feature_cols].dropna() X_scaled StandardScaler().fit_transform(X) km KMeans(n_clustersk, n_init10, random_state42) labels km.fit_predict(X_scaled) df_result df.loc[X.index].copy() df_result[cluster] labels df_result.to_csv(f{output_dir}/result.csv, indexFalse, encodingutf-8-sig) # 后续画图代码省略按前面章节的写法接上即可 return df_result, km # 调用示例 result_df, model run_music_clustering(music_data.csv, k5)封装成函数的好处是参数集中、重复运行方便而且答辩时如果老师问「换个 k 会怎样」直接改一个参数就能演示。我自己的习惯是任何课程设计代码最后都收成一个main.py加一个run_xxx()函数比散落一堆脚本体面得多。最后说一个血泪经验录屏演示前一定要把random_state固定死并且提前跑一遍完整流程确认没有报错。我见过太多人在演示时因为随机种子没固定两次跑出来的图不一样被老师追问半天解释不清。把随机种子、字体配置、输出路径这三样在代码开头统一设好后面就省心了。希望帮到你。本文还有配套的精品资源点击获取 基于k均值聚类的音乐数据可视化分析系统：Python源码实现与避坑指南
简介本资源为基于K均值聚类的音乐数据可视化分析系统Python源码包面向计算机、数据科学与大数据、人工智能等专业的在校学生与教师可用于课程设计、毕业设计、大作业或项目立项演示。包内共48个文件以py源码、csv数据集、png可视化图表、mp4录屏演示及txt词表文档为主压缩包约22.52MB涵盖聚类算法实现、音乐数据清洗、评价词表与多类曲风图表等模块。项目代码完整且功能验证通过附带完整资料与录屏演示便于对照理解K均值聚类在音乐数据上的应用流程与可视化呈现方式。已有181人学习关注适合入门进阶学习也可在此基础上二次开发、扩展其他分析功能。需注意解压后项目路径与名称避免使用中文建议重命名为英文后再运行以免出现解析错误。1. 从一份课程设计压缩包说起k均值聚类怎么把音乐数据变成看得懂的图课程设计选题里音乐数据可视化分析系统是个很讨巧的方向——数据好找、图表好看、算法有讲头。但真正动手时多数人卡在同一个地方拿到一份音乐数据集知道要用 k均值聚类却不知道从哪一步开始写代码聚类完的图也看不出音乐风格到底分成了几类。这份「基于k均值聚类的音乐数据可视化分析系统」的压缩包里核心链路其实就四步读数据、选特征、跑聚类、画图。Python 在这里的角色是胶水把 pandas、sklearn、matplotlib 串起来。适合谁看正在做机器学习课程设计、需要一份能跑通且能讲清楚原理的 Python 源码的同学以及想快速复现一套音乐聚类可视化流程的入门者。下面按实际写代码的顺序拆开讲每一步都给能直接抄的代码和参数说明。2. 音乐数据拿到手先做什么特征选择与预处理的三步过滤2.1 音乐数据集里哪些列能喂给 k均值音乐数据集的列通常分三类元信息曲名、歌手、专辑、音频特征节奏、响度、频谱、标签流派。k均值是距离敏感的算法只能吃数值列所以第一步是把元信息和字符串标签剔掉。常见的音乐特征列包括 tempo节奏、loudness响度、energy能量、danceability舞蹈性、acousticness原声感、instrumentalness器乐感、valence情绪积极度等。这些列量纲差异很大——tempo 可能到 150 以上acousticness 却在 0 到 1 之间。如果不做标准化聚类结果会被 tempo 这种大数值列主导等于白跑。我一般会先做一次列筛选把候选特征列显式写成一个列表而不是用select_dtypes一把梭。原因是音乐数据集里有些数值列其实是 ID 或年份喂进去会污染距离计算。import pandas as pd import numpy as np from sklearn.preprocessing import StandardScaler # 读取音乐数据集常见格式是 csv df pd.read_csv(music_data.csv) # 显式指定参与聚类的音频特征列避免把 id、year 等无关数值列带进去 feature_cols [ tempo, loudness, energy, danceability, acousticness, instrumentalness, valence ] # 只保留特征列并丢掉缺失值所在行 X df[feature_cols].dropna() # 标准化k均值基于欧氏距离量纲不统一会导致大数值特征主导聚类 scaler StandardScaler() X_scaled scaler.fit_transform(X) print(样本数:, X_scaled.shape[0], 特征数:, X_scaled.shape[1])这段代码的逻辑是先读数据再用一个显式列表锁定特征列dropna()处理缺失值最后用StandardScaler做 Z-score 标准化。参数上feature_cols需要根据你实际拿到的数据集列名调整如果数据集用的是tempo、energy这类标准列名就直接用如果列名是中文或缩写先print(df.columns)看一眼再改。标准化这步不能省省了之后聚类结果基本不可解释。2.2 缺失值和异常值处理别让一条脏数据毁掉整张图音乐数据集常见的脏数据有两种缺失值和异常值。缺失值用dropna()直接丢是最省事的做法但如果缺失比例超过 10%丢完样本量不够聚类就没意义了。这时候可以改用中位数填充。异常值更隐蔽——比如 loudness 列出现 -60 这种极端值或者 tempo 出现 0这些点会把聚类中心拉偏。# 检查缺失比例决定是丢弃还是填充 missing_ratio df[feature_cols].isnull().mean() print(各特征缺失比例:\n, missing_ratio) # 缺失比例低于 5% 直接丢高于 5% 用中位数填充 if missing_ratio.max() 0.05: X df[feature_cols].dropna() else: X df[feature_cols].fillna(df[feature_cols].median()) # 用 IQR 方法标记异常值先看数量再决定处理方式 Q1 X.quantile(0.25) Q3 X.quantile(0.75) IQR Q3 - Q1 outlier_mask ((X Q1 - 1.5 * IQR) | (X Q3 1.5 * IQR)).any(axis1) print(异常值行数:, outlier_mask.sum(), 占比:, outlier_mask.mean()) # 异常值占比低时直接剔除避免拉偏聚类中心 X X[~outlier_mask]参数说明IQR 的 1.5 倍是常规阈值如果异常值占比超过 5%说明数据分布本身偏斜这时候不该硬剔而应该检查是不是特征选错了。处理完缺失和异常后重新做一次标准化因为填充和剔除会改变均值和方差。提示标准化要在缺失值和异常值处理之后做顺序反了会导致 scaler 的均值方差被脏数据污染。3. 用 sklearn 跑通 k均值聚类从肘部法选 k 到最终标签落地3.1 肘部法确定聚类数 k 的代码与拐点判断k均值最大的参数就是 k也就是聚成几类。音乐风格通常分 5 到 8 类比较合理但具体选几不能拍脑袋。肘部法是最常用的手段对 k 从 2 到 10 分别跑一次聚类记录 inertia簇内平方和然后看曲线在哪个 k 之后下降变缓那个拐点就是候选 k。from sklearn.cluster import KMeans import matplotlib.pyplot as plt inertias [] k_range range(2, 11) for k in k_range: # n_init10 表示用 10 组不同初始中心跑取最优避免陷入局部最优 km KMeans(n_clustersk, n_init10, random_state42) km.fit(X_scaled) inertias.append(km.inertia_) # 画肘部图横轴 k纵轴 inertia plt.figure(figsize(8, 5)) plt.plot(list(k_range), inertias, markero) plt.xlabel(聚类数 k) plt.ylabel(簇内平方和 inertia) plt.title(肘部法选择最优 k) plt.grid(True) plt.savefig(elbow_method.png, dpi150) plt.show()这段代码的关键参数是n_init10它让 k均值用 10 组不同随机初始中心各跑一遍取 inertia 最小的那次结果。早期 sklearn 默认n_init10新版本改成了auto显式写 10 更稳。random_state42保证每次跑结果一致方便调试。拐点判断没有绝对公式我的经验是如果 inertia 从 k5 到 k6 下降幅度小于 10%就选 5。音乐数据一般 k5 或 k6 比较合适。3.2 训练最终模型并把聚类标签拼回原表确定 k 之后用最终 k 值训练模型把预测出的簇标签拼回原始 DataFrame这样后面画图时既能用标准化后的特征也能用原始值做可读性标注。# 用肘部法确定的 k 训练最终模型 final_k 5 km_final KMeans(n_clustersfinal_k, n_init10, random_state42) cluster_labels km_final.fit_predict(X_scaled) # 把簇标签拼回原表方便后续按簇分组分析 df_result df.loc[X.index].copy() df_result[cluster] cluster_labels # 查看每个簇的样本数和各特征均值判断簇的含义 cluster_summary df_result.groupby(cluster)[feature_cols].mean() print(各簇样本数:\n, df_result[cluster].value_counts().sort_index()) print(各簇特征均值:\n, cluster_summary)fit_predict一步完成训练和预测返回的cluster_labels是 0 到 k-1 的整数。拼回原表时用df.loc[X.index]而不是直接df因为前面可能丢过缺失值和异常值索引要对齐。groupby(cluster).mean()是理解每个簇含义的关键——比如某个簇的 energy 和 danceability 都高那它大概率对应舞曲类acousticness 高的簇可能是民谣或古典。3.3 聚类结果的可解释性用簇均值反推音乐风格k均值输出的簇编号本身没有语义0 号簇不代表任何具体风格。要让它可解释得看每个簇在各特征上的均值分布。我一般会把簇均值做一次对比找出每个簇最突出的特征然后给簇起一个人话名字。# 对簇均值做标准化方便横向对比哪个特征在哪个簇更突出 summary_scaled pd.DataFrame( StandardScaler().fit_transform(cluster_summary), indexcluster_summary.index, columnscluster_summary.columns ) # 找出每个簇 z-score 最高的两个特征 for cid in summary_scaled.index: top_feats summary_scaled.loc[cid].sort_values(ascendingFalse).head(2) print(f簇 {cid} 最突出特征: {list(top_feats.index)})这段代码把簇均值再做一次标准化这样不同量纲的特征可以横向比较。输出结果里如果簇 0 的 top 特征是 energy 和 loudness那可以叫它「高能量快歌」簇 3 的 top 特征是 acousticness 和 instrumentalness可以叫「器乐原声」。这一步是课程设计答辩时最能讲出东西的地方比单纯贴一张散点图有说服力。4. 音乐数据可视化散点图、雷达图和热力图的落地画法4.1 用 PCA 降维画二维散点图看簇分离效果音乐特征有 7 维直接画散点图画不出来。常见做法是先用 PCA 降到 2 维再按簇标签上色画散点图。这样能直观看到簇之间有没有重叠。from sklearn.decomposition import PCA # PCA 降到 2 维用于可视化 pca PCA(n_components2, random_state42) X_pca pca.fit_transform(X_scaled) # 按簇标签上色画散点图 plt.figure(figsize(10, 7)) scatter plt.scatter(X_pca[:, 0], X_pca[:, 1], ccluster_labels, cmapviridis, alpha0.6, s30) plt.colorbar(scatter, label簇编号) plt.xlabel(fPC1 ({pca.explained_variance_ratio_[0]:.1%} 方差)) plt.ylabel(fPC2 ({pca.explained_variance_ratio_[1]:.1%} 方差)) plt.title(音乐数据 k均值聚类结果PCA 降维) plt.savefig(cluster_scatter.png, dpi150) plt.show() print(前两个主成分累计解释方差:, pca.explained_variance_ratio_[:2].sum())n_components2是为了画图如果只想看解释方差可以设更高。explained_variance_ratio_告诉你这两个主成分保留了多少原始信息一般累计到 60% 以上图才有参考价值。如果低于 50%说明 7 维特征压到 2 维丢太多信息散点图会糊成一团这时候可以考虑用 t-SNE 替代 PCA但 t-SNE 计算慢课程设计里 PCA 够用。4.2 雷达图对比各簇特征画像散点图看的是簇的分离度雷达图看的是每个簇的特征画像。把各簇的标准化均值画成雷达图一眼就能看出簇之间的差异。# 雷达图对比各簇在 7 个特征上的标准化均值 labels feature_cols num_vars len(labels) angles np.linspace(0, 2 * np.pi, num_vars, endpointFalse).tolist() angles angles[:1] # 闭合雷达图 fig, ax plt.subplots(figsize(8, 8), subplot_kwdict(polarTrue)) for cid in summary_scaled.index: values summary_scaled.loc[cid].tolist() values values[:1] ax.plot(angles, values, labelf簇 {cid}) ax.fill(angles, values, alpha0.1) ax.set_xticks(angles[:-1]) ax.set_xticklabels(labels) ax.legend(locupper right, bbox_to_anchor(1.3, 1.0)) plt.title(各簇音乐特征雷达图) plt.savefig(cluster_radar.png, dpi150) plt.show()雷达图的数据源是summary_scaled也就是各簇均值的标准化结果。angles控制特征轴的角度分布values values[:1]是为了让线条闭合。如果簇数量超过 6雷达图会显得拥挤这时候可以只画差异最大的 3 到 4 个簇。4.3 特征相关性热力图辅助判断冗余特征7 个特征之间可能有强相关比如 energy 和 loudness 通常正相关。如果两个特征相关性超过 0.8它们对聚类的贡献高度重叠可以考虑删掉一个。import seaborn as sns # 计算特征间皮尔逊相关系数 corr_matrix df_result[feature_cols].corr() plt.figure(figsize(9, 7)) sns.heatmap(corr_matrix, annotTrue, fmt.2f, cmapcoolwarm, center0, squareTrue, linewidths0.5) plt.title(音乐特征相关性热力图) plt.savefig(feature_corr.png, dpi150) plt.show()annotTrue在格子里显示相关系数fmt.2f保留两位小数center0让颜色以 0 为中心对称。看热力图时重点找绝对值大于 0.8 的格子那些就是冗余特征对。删掉冗余特征后重新跑一遍聚类如果 inertia 变化不大说明删得合理。5. 避坑与排查k均值聚类在音乐数据上最容易翻车的 5 个点5.1 聚类结果每次跑都不一样现象同一份数据两次运行代码簇的编号和分布都变了。原因k均值初始中心是随机的没固定random_state。解决在KMeans()里显式写random_state42同时确保n_init不小于 10。如果固定了还变检查是不是在标准化之前就做了 train/test 划分导致每次喂进模型的数据不同。5.2 所有样本被分到同一个簇现象value_counts()显示某个簇有 90% 以上的样本其他簇只有零星几个。原因标准化没做或者某个特征量纲远大于其他特征把距离计算完全主导了。解决确认StandardScaler在fit_transform之前没有漏掉任何特征列检查是否有特征的值域是 0 到 10000 这种量级如果有先做 log 变换再标准化。5.3 肘部图没有明显拐点现象inertia 曲线平滑下降看不出拐点在哪。原因音乐数据的簇结构本身不清晰或者特征选择不合理。解决先看特征相关性热力图删掉冗余特征如果还是没拐点改用轮廓系数silhouette score辅助判断轮廓系数在 0.3 以上说明簇结构可接受。另外音乐数据本身是连续渐变的硬聚类效果有限答辩时可以把这点讲清楚反而显得理解到位。5.4 PCA 散点图里簇完全重叠现象降维后的散点图所有颜色混在一起看不出分离。原因前两个主成分解释方差太低或者 k 选得太大。解决先打印pca.explained_variance_ratio_[:2].sum()如果低于 50%说明 2 维不够可以画 3 维散点图或者换 t-SNE如果解释方差够但图还是糊检查 k 是不是设成了 8 以上音乐数据一般 5 到 6 类就够了。5.5 拼回原表时索引对不上导致标签错位现象df_result[cluster]和X_scaled的行数不一致或者拼回去之后某些行的簇标签是 NaN。原因前面dropna()或异常值剔除改变了索引直接df[cluster] cluster_labels会按位置对齐而不是按索引对齐。解决统一用df.loc[X.index]取子表再拼标签或者在最开始就df df.reset_index(dropTrue)保证索引连续。6. 把聚类结果导出成可交付的图表和 CSV课程设计收尾的实用技巧课程设计最后要交的东西通常包括源码、图表和一份说明。图表前面已经生成了但默认的 matplotlib 图分辨率低、字体不支持中文直接贴进报告会糊。我一般会在画图前统一设一次全局参数把中文字体和分辨率固定下来。import matplotlib # 设置中文字体Windows 用 SimHeiMac 用 Arial Unicode MS matplotlib.rcParams[font.sans-serif] [SimHei, Arial Unicode MS] matplotlib.rcParams[axes.unicode_minus] False # 解决负号显示为方块 matplotlib.rcParams[figure.dpi] 150 # 提高默认分辨率 matplotlib.rcParams[savefig.bbox] tight # 保存时自动裁剪白边这段配置放在所有画图代码之前font.sans-serif里写两个字体名是为了跨平台兼容matplotlib 会按顺序找第一个可用的。axes.unicode_minusFalse解决负号显示成方块的问题这个坑几乎每个人都会踩一次。savefig.bboxtight让保存的图自动去掉多余白边贴进 Word 或 Markdown 都更整齐。除了图聚类结果本身也要导出成 CSV方便在报告里附表格或者做进一步分析。# 导出带簇标签的完整结果表 df_result.to_csv(music_cluster_result.csv, indexFalse, encodingutf-8-sig) # 导出各簇特征均值汇总表 cluster_summary.to_csv(cluster_summary.csv, encodingutf-8-sig) # 导出每个簇的样本数 df_result[cluster].value_counts().sort_index().to_csv( cluster_counts.csv, encodingutf-8-sig )encodingutf-8-sig是为了让 Excel 打开 CSV 时不乱码这个细节在交课程设计时很加分。indexFalse去掉 pandas 自动加的行号列表格更干净。还有一个实用技巧把整条流程封装成一个函数传入数据集路径和 k 值就能一键跑完并输出所有图表和 CSV。这样答辩演示时不用一步步执行直接调函数就行。def run_music_clustering(csv_path, k5, output_diroutput): 一键跑通音乐数据 k均值聚类全流程 import os os.makedirs(output_dir, exist_okTrue) df pd.read_csv(csv_path) feature_cols [tempo, loudness, energy, danceability, acousticness, instrumentalness, valence] X df[feature_cols].dropna() X_scaled StandardScaler().fit_transform(X) km KMeans(n_clustersk, n_init10, random_state42) labels km.fit_predict(X_scaled) df_result df.loc[X.index].copy() df_result[cluster] labels df_result.to_csv(f{output_dir}/result.csv, indexFalse, encodingutf-8-sig) # 后续画图代码省略按前面章节的写法接上即可 return df_result, km # 调用示例 result_df, model run_music_clustering(music_data.csv, k5)封装成函数的好处是参数集中、重复运行方便而且答辩时如果老师问「换个 k 会怎样」直接改一个参数就能演示。我自己的习惯是任何课程设计代码最后都收成一个main.py加一个run_xxx()函数比散落一堆脚本体面得多。最后说一个血泪经验录屏演示前一定要把random_state固定死并且提前跑一遍完整流程确认没有报错。我见过太多人在演示时因为随机种子没固定两次跑出来的图不一样被老师追问半天解释不清。把随机种子、字体配置、输出路径这三样在代码开头统一设好后面就省心了。希望帮到你。本文还有配套的精品资源点击获取 
