K-means 聚类算法入门：基于 Iris 数据集的 C 语言实现

K-means 是机器学习里最经典的无监督学习算法之一。它不依赖人工标签，而是根据样本之间的距离关系，自动把数据划分成若干个簇。

这篇文章直接结合两个实际文件来讲：

• Iris.csv：经典的鸢尾花数据集
• Iris_sort_K_mean.c：一个可以直接编译运行的 C 语言 K-means 实现

这次的重点不只是“让程序跑出来”，而是把下面几件事讲清楚：

1. K-means 为什么这样设计
2. 每个函数在代码里具体负责什么
3. 为什么标准化、初始化和多次重启会直接影响结果
4. 如何把最终聚类结果解释成可读的结论

一、什么是 K-means

K-means 的目标是：

给定一个数据集和簇数 K，把所有样本分成 K 类，让同一个簇里的样本尽量接近。

它会不断重复两件事：

1. 把每个样本分配到最近的聚类中心
2. 根据新的分组结果，重新计算聚类中心

如果你把它想成一个动态修正的过程，其实会更容易理解：

先猜几个中心，再让样本去找最近中心；样本分完以后，中心再根据样本的平均位置重新移动。

二、为什么 Iris 数据集适合拿来学聚类

Iris.csv 一共 150 条样本。每条样本包含 4 个数值特征：

• 花萼长度 SepalLengthCm
• 花萼宽度 SepalWidthCm
• 花瓣长度 PetalLengthCm
• 花瓣宽度 PetalWidthCm

同时它还带有真实标签：

• Iris-setosa
• Iris-versicolor
• Iris-virginica

这里要强调一个关键点：K-means 聚类时不会使用这些标签。它只看数值特征和样本之间的距离。标签保留下来只是为了在聚类完成后做结果解释。

也就是说，这个例子特别适合学习两件事：

• 算法怎么在没有标签的前提下分组
• 算法分出来的簇和真实分类之间差距有多大

三、这份 C 程序整体做了什么

Iris_sort_K_mean.c 不是只写了“一个 for 循环 + 一个距离函数”的极简版本，而是把 K-means 的完整执行路径拆成了多个可读函数。整体流程可以概括成：

1. 读取 CSV，构造样本数组
2. 对所有特征做标准化
3. 用 K-means++ 初始化聚类中心
4. 反复执行“样本分配 / 中心更新”
5. 多次随机重启，选择 SSE 最小的一轮
6. 输出簇分布、标签分布和样本所属簇

四、样本在程序里是怎么表示的

程序里每条样本都存到一个 Sample 结构体里：

typedef struct {
    int id;
    double x[FEATURES];
    double x_scaled[FEATURES];
    char species[32];
    int cluster;
} Sample;

这里每个字段都承担了明确职责：

• id：样本编号，对应 CSV 第一列
• x：原始 4 维特征
• x_scaled：标准化后的 4 维特征
• species：真实物种标签
• cluster：程序最终给出的簇编号

这种设计的好处是：原始数据、预处理数据、真实标签和聚类结果都分开存放，后面读代码时不会把“用于计算的值”和“用于展示的值”混在一起。

五、第一步：读取 CSV 数据

程序通过 load_iris() 逐行读取 Iris.csv。它会先跳过表头，再用 sscanf() 把每一行拆成编号、4 个数值和物种字符串。

你可以把这个函数理解成一个“文本转结构体”的过程：

1. 文件里原本是一行逗号分隔文本
2. 读进来以后变成一个 Sample
3. 所有样本最终放到数组 data[] 里

程序入口支持命令行传入数据文件路径：

const char *filename = (argc > 1) ? argv[1] : "Iris.csv";

这意味着你既可以直接运行：

./iris_kmeans Iris.csv

也可以在以后换别的 CSV，而不用改源码。

六、第二步：为什么一定要做标准化

K-means 的核心是比较距离。如果不同特征的数值尺度差异很大，那么数值更大的特征会在欧氏距离里占更大权重。

举个直观例子：如果某个维度经常变化 5 个单位，而另一个维度通常只变化 0.2 个单位，那么前者会在距离计算里显得“更重要”。这并不一定符合我们的真实意图。

所以程序在聚类前先执行了 standardize_features()，用的是标准分数：

x_scaled = (x - mean) / std

这个函数内部其实做了三件事：

1. 先求每一列特征的均值 mean
2. 再求每一列特征的标准差 std
3. 最后把每条样本的原始值转换成标准化值

标准化完成后，各特征大致都被拉回到“均值为 0、波动尺度接近 1”的区间。这样在计算距离时，四个特征的影响会更均衡。

七、第三步：为什么初始化不能随便乱选

如果 K-means 一开始只是随机选 3 个样本当中心，算法当然也能跑，但结果通常不稳定。原因是：

• 初始中心可能靠得太近
• 某些区域一开始就没有中心覆盖
• 算法容易较早收敛到局部较差解

为了减轻这个问题，程序在 init_centroids() 中使用了 K-means++ 思想：

1. 先随机选一个中心
2. 后面的中心优先从“离当前已有中心更远”的样本中产生

这样一来，初始中心往往更分散，也更接近“每个簇先占一个位置”的直觉。

从代码层面看，这一步的核心并不难：程序先计算每个样本到现有中心的最小距离，再按距离大小加权抽样。越远的点，被选中的概率就越高。

八、第四步：样本是怎么被分到各个簇里的

assign_clusters() 做的是 K-means 最核心的一件事：对每个样本，计算它到所有中心的距离，然后把它分配给最近的那个中心。

这里调用的距离函数是：

double distance_sq(const double a[], const double b[])

注意，这里计算的是“欧氏距离的平方”，不是开方之后的真实距离。这样做完全合理，因为：

• 谁更近，本质上比较平方值就够了
• 不开平方可以少做一些无意义的计算

这个函数的返回值还有一个关键作用：它会告诉主循环“本轮是否有样本换簇”。如果有，就说明还没收敛；如果没有，就说明当前结果已经稳定。

九、第五步：为什么还要重新计算中心

样本被重新分组之后，原来的中心位置通常已经不再合理。因为新的簇成员已经确定，中心就应该移动到这些成员的平均位置。

update_centroids() 做的就是这件事：

1. 统计每个簇有哪些样本
2. 把每个簇内所有样本的 4 个特征分别求和
3. 再除以该簇样本数，得到新的中心坐标

这就是名字里 “means” 的含义：每个簇由它内部样本的均值中心来代表。

如果某个簇暂时没有样本，代码会跳过这次更新，避免除零问题。这属于实际程序里很常见的边界情况保护。

十、第六步：算法什么时候停止

程序设置了两层停止条件：

1. 如果本轮没有样本更换簇，说明已经收敛，可以停止
2. 如果迭代次数达到 MAX_ITER，也必须停止，防止极端情况下死循环

#define MAX_ITER 1000

对 Iris 这种小数据集来说，1000 已经远远超过实际需要。正常情况下很快就会在几十轮之内收敛。

十一、为什么要重复跑 2000 次

即使使用了 K-means++，结果依然会受到随机初始化影响。所以程序没有只跑一次，而是定义了：

#define RESTARTS 2000

也就是说，程序会独立跑 2000 次 K-means。每一轮结束后都计算一次 SSE，然后保留最好的结果。

SSE 的含义是：

所有样本到各自所属中心的平方距离之和。

SSE 越小，通常表示簇内越紧凑。因此“多次重启 + 选最优 SSE”是一种非常常见的工程做法。

十二、程序最终会输出什么

Iris_sort_K_mean.c 运行结束后，主要输出三类信息：

1. 最佳结果的迭代次数和 SSE
2. 标准化空间中的聚类中心
3. 每个簇的样本数量与真实标签分布

一组典型结果如下：

K-means 重启次数: 2000
最佳结果迭代次数: 6
最佳 SSE: 140.965817

Cluster 0: total=53, setosa=0, versicolor=39, virginica=14
Cluster 1: total=50, setosa=50, versicolor=0, virginica=0
Cluster 2: total=47, setosa=0, versicolor=11, virginica=36

这组结果说明：

• setosa 几乎可以被单独分出来
• versicolor 和 virginica 之间有一定重叠

这正是 Iris 数据集最经典的现象：setosa 的可分性很强，而后两类在特征空间里更容易交叠。

十三、把结果画出来会更直观

单看数字还不够直观。为了更容易理解聚类边界，这里把样本投影到二维平面，用 PetalLengthCm 作为横轴、PetalWidthCm 作为纵轴，并按照 K-means 的簇编号着色。

这张图能帮你很快看出三件事：

1. 一团明显分离的小簇对应的就是 setosa
2. 另外两团虽然大体能分开，但边界有重叠
3. K-means 更擅长处理“球状且分离度较高”的簇，对重叠区域没有神奇修正能力

也就是说，K-means 学到的是“距离结构”，不是“物种定义本身”。这也是为什么聚类和真实分类结果不一定完全一致。

十四、最值得动手改的几个参数

如果你下载这份程序，最值得自己动手改的参数有三个：

• K：簇数，当前设为 3
• RESTARTS：重启次数，越大越稳定但耗时更高
• MAX_ITER：单次运行的最大迭代次数

你可以试几组实验：

1. 把 K 改成 2 或 4，看聚类结构怎么变化
2. 把 RESTARTS 改小，观察 SSE 是否更容易波动
3. 去掉标准化，看看结果是否明显恶化

这类实验比背定义更有用，因为你会真正看到“算法参数和数据预处理是怎么改变结果的”。

十五、下载区现在提供什么

现在下载区里已经整理成一组完整的学习资料：

• Iris.csv：原始数据集
• Iris_sort_K_mean.c：整理后的 C 语言实现版本
• iris-kmeans-flowchart.svg：流程图
• iris-kmeans-cluster-visual.svg：聚类可视化图
• iris-kmeans-materials.zip：打包下载压缩包

十六、如何编译和运行

在 macOS 或 Linux 下，可以直接这样编译：

gcc Iris_sort_K_mean.c -lm -o iris_kmeans
./iris_kmeans Iris.csv

如果数据文件和程序就在同一目录，也可以直接运行：

./iris_kmeans

程序会默认尝试读取当前目录里的 Iris.csv。

十七、这道例子真正值得学到什么

如果把这篇文章当作算法学习材料，那么真正值得带走的不是某一行 C 代码，而是下面这些思路：

1. K-means 的本质是“最近中心分配 + 均值中心更新”
2. 距离型算法高度依赖数据预处理，标准化非常关键
3. K-means++ 会显著改善初始化质量
4. 带随机性的聚类算法往往要多次重启再选最优
5. 最终结果必须结合输出分布和可视化一起解释

十八、总结

结合 Iris.csv 和 Iris_sort_K_mean.c，我们可以把 K-means 的完整流程看得非常清楚：

• 先读取数据
• 再做标准化
• 用 K-means++ 初始化中心
• 反复执行“分配样本 / 更新中心”直到收敛
• 通过多次重启选出 SSE 最小的结果

对初学者来说，这个例子最大的价值在于：它既保留了算法的核心逻辑，又足够接近真实程序。你不只能理解“概念”，还能看到“概念是怎么变成代码和结果的”。

如果你刚开始学无监督学习，我很建议你亲手编译一次、改几个参数、再对照这张流程图和散点图一起看。这样比只读一遍算法定义更容易建立真正的直觉。