企业官网建设流程全解析

先从一个让我卡了很久的困惑说起：我做聚类实验那会儿，最烦的不是调参，而是K-Means永远在第一步就问“你要分几类”。你要是真知道分几类，还要聚类干什么？后来接触到密度峰值算法（DPC），一下子觉得思路对味了——它压根不用你先回答K，而是把样本里的“意见领袖”挑出来，剩下的点自动归队。最近我在鸢尾花数据集上完整跑了一遍DPC：150个样本、4个特征，三类真实标签已知，非常适合用来验证算法的每步输出。这篇文章会把整个实验过程拆开讲清楚，包括距离矩阵怎么算、决策图怎么读、聚类中心怎么锁定、分类结果怎么评估，所有代码都可以直接复现。适合正在写聚类相关作业、论文实验，或者想换一种无监督思路分析数据的读者。

先说明一下，我全程用Python实现，只依赖常用的科学计算和可视化库，没有调现成的DPC封装。这样做的目的是把每一步的计算都放在眼皮底下，方便照着改、照着调。下面直接进入正题。

1. 选聚类中心这件事，DPC的思路和K-Means完全不同

1.1 K-Means的分地盘逻辑和它的三个痛点

K-Means本质上是一个“分地盘”的迭代过程：先随机撒K个中心，把每个点分配给离它最近的中心，然后用各类的均值更新中心，反复迭代到收敛。这个方法本身没有问题，但实践中你会反复遇到三个痛点：第一，K必须提前给定，而肘部法则给出的“拐点”经常含糊不清；第二，初始中心选得不好，极易陷入局部最优，同一个数据集跑十次得到十种结果；第三，它对非球状簇、密度不均匀的簇处理得并不好，发现问题时已经晚了。

DPC没有沿用这套逻辑。它把每个样本看成两个属性的集合：这个点周围到底“挤不挤”，以及这个点离“密度更高的地方”到底有多远。基于这两个属性，聚类中心会自己浮现出来，不需要你预设类别数。这也是我当初决定在鸢尾花数据上试它的直接原因——把三类已知答案的数据交给DPC，等于给算法发了一张考卷，能非常清楚地看到它的判断逻辑哪里强、哪里弱。

1.2 “又密又远”：聚类中心必须同时满足两个条件

DPC判断聚类中心的标准可以浓缩成四个字：又密又远。翻译成人话，一个合格的中心必须满足两点：

• 密：它自己周围的样本数量（局部密度ρ）足够高，说明这里是人群聚集的核心地带；
• 远：它离所有“密度比它更高的点”都比较远，或者说，在它上方没有“更热闹的中心”可以投靠，它的相对距离δ比较大。

全局密度最高的那个点比较特殊，因为没有任何点的密度比它更高，它的δ被定义为与所有其他样本的最大距离——意思是“我自己就是最大的山头，身边不需要仰望任何人”。其余任意一个样本的δ，则定义为它到所有密度更高样本的最近距离。

这一点很反直觉，我最初读论文时也绕了一下：你可能会以为聚类中心只需要密度高就够了，其实密度高的点很多，比如一个簇内部有大量样本，内部成员密度都很高，但它们的δ清一色偏小，因为头顶永远有一个更密的邻居。只有那些既是周围密度最高、又是孤悬于高密度区域之外的点，才真正配得上“峰值”这个词。

1.3 决策图：把高维数据浓缩成一张二维散点图

有了ρ和δ之后，每个样本都变成了一个点，横轴是局部密度ρ，纵轴是相对距离δ。把所有样本画出来，就得到了原论文里非常经典的“决策图”。

决策图的读法很简单：看右上角。ρ大说明周围拥挤，δ大说明它远离更高密度人群，两者都大的点，就是聚类中心。普通样本会横七竖八贴在底部和左侧：底部是因为它们总能找到密度更高的邻居，δ很小；左侧是因为它们所在的区域本身就不是高密度中心。真正有资格当中心的点，在决策图上往往呈现为右上角几个孤零零的“离群点”，一眼就能认出来。

在鸢尾花数据集上，这种特性非常明显。因为Setosa这一类线性可分，整体密度结构清晰，而Versicolour和Virginica有重叠，所以在决策图上通常能看到右上方单独跳出来三组高点，对应三类样本的核心代表。这个特性让后面“锁定聚类中心”变成了一件几乎不需要动脑的工作。

2. 鸢尾花数据的距离矩阵怎么准备

2.1 150个样本、4个特征、三类真实分布

鸢尾花数据集是聚类实验的经典“体检表”：一共150个样本，分成3类，每类50个，每个样本有4个特征——花萼长度、花萼宽度、花瓣长度、花瓣宽度，单位都是厘米。从分布上看，Setosa类与其他两类在花瓣长度和花瓣宽度上隔得非常开，基本不会误分；而Versicolour和Virginica在多个特征维度上存在明显重叠，这是DPC以及大部分聚类算法的共同难点。

我这次实验把真实标签留作评估用，但在DPC的计算过程中完全不碰它。也就是说，算法只知道150个点的四个特征值，最后才拿真实类别来算准确率。这一步很重要，很多人做无监督实验时很容易顺手就把标签放进特征里，导致评估结果虚高，后面一上真实数据就露馅。

2.2 标准化：先让四个特征站在同一把尺子上

拿到原始特征后，我做的第一件事不是算距离，而是标准化。鸢尾花的四个特征虽然单位相同，但取值范围差异不小，花萼长度最小能到4.3、最大接近7.9，而花瓣宽度只有0.1到2.5。如果你直接用原始值算欧氏距离，花萼长度的波动会在距离中占大权重，花瓣宽度这种实际区分度很高的特征反而被淹没。

这里我用的是标准分数变换（z-score），也就是把每个特征减去均值、除以标准差，让四个特征都变成均值为0、方差为1的分布。代码上直接用常见的数据预处理模块就可以完成。标准化之后，距离矩阵里的数值不再受特征量纲绑架，每个维度对距离的贡献是等权的，DPC后续算局部密度时才不会偏心。

2.3 距离矩阵：后续所有计算的唯一起点

DPC的ρ和δ都建立在样本间距离之上，所以距离矩阵是整个实验的地基。我计算的是标准化之后的欧氏距离矩阵，形状是150×150，对角线为0。150个样本的两两距离对有11175个，数据量不大，普通笔记本瞬间就能算完。

一个容易被忽略的细节：计算截断距离dc时，要先把对角线元素排除掉，否则距离0会被当成最小值，污染分位数的计算。我在代码里用上三角索引把非对角线距离全部抽出来，得到一个一维数组，再用这个数组求分位数。如果你直接把整个150×150矩阵拿来排序，效果也不会差太多，但作为习惯我会把对角线排除，因为后面的dc选择直接决定局部密度的效果，这一步严谨点没坏处。

import numpy as np from sklearn.datasets import load_iris from sklearn.preprocessing import StandardScaler from sklearn.metrics import pairwise_distances data = load_iris() X = data.data true_y = data.target N = X.shape[0] scaler = StandardScaler() X_s = scaler.fit_transform(X) D = pairwise_distances(X_s, metric='euclidean') np.fill_diagonal(D, 0) # 提取非对角线距离，用于后续选择截断距离 triu_dist = D[np.triu_indices(N, k=1)]

3. rho和delta的计算：从公式到能跑的代码

3.1 截断距离dc怎么定：平均邻居数控制

DC算法里有个绕不开的参数叫dc，全称是截断距离。它的物理含义是“判断一个人周围挤不挤时，把多大的半径算作邻居范围”。dc太小，每个点的邻居数极少，密度值全是离散的0、1、2，类簇结构被切碎；dc太大，局部密度变成全局密度，每个点周围都乌泱泱一群人，聚类中心会失去区分度。

经验法则是：让每个样本的平均邻居数占样本总量的1%到2%。对鸢尾花的150个样本来说，就是平均每个点找1.5到3个邻居。实际操作中，我把所有非对角距离排序，取2%分位数对应的距离值作为dc。这么做的理由是，欧氏距离分布中大量距离集中在某个区间，2%分位数能保证这个半径既不会小到让密度全部归零，又足够局部。

# 取2%分位数的距离作为截断距离 percentile = 2.0 dc = np.percentile(triu_dist, percentile)

有人会问，这个2%到底有没有理论依据？我只能说这是一个非常稳健的经验值，原论文里也推荐了这个数量级。真正跑实验的时候你可以把1%、2%、5%、10%都试一遍，观察决策图的形态和聚类结果的变化，这也是后面我会专门做对比的原因。

3.2 局部密度rho：两种核函数的不同表现

局部密度ρ的常见定义有两种。第一种是截断核：

ρᵢ = sum( I(d(i,j) < dc) )

意思是数一数距离i小于dc的样本有几个。这个定义简单直观，但有个问题：它得到的是整数，样本量小的时候会出现大量密度相等的点，比如两个点周围都是2个邻居，它们的ρ完全相同，排序时很难区分。第二种是高斯核：

ρᵢ = sum( exp( -(d(i,j)/dc)² ) )

高斯核把距离远近变成连续的权重：距离越近贡献越大，超过dc后贡献迅速衰减。它不会出现大量并列密度，决策图看起来更平滑，排序也更稳定。对于150个样本的小数据集，我强烈推荐用高斯核。

需要注意的是，距离矩阵对角线是0，exp(0)=1，所以ρ里会包含自己对自己的贡献，计算时要减掉，否则每个点的密度都会凭空多出1。

# 高斯核局部密度，对角线上的exp(0)=1需要扣除 rho = np.sum(np.exp(-(D / dc) ** 2), axis=1) - 1

3.3 相对距离delta：先按密度排序再逐点计算

相对距离δ的计算逻辑是这样的：对每个点i，找出所有密度比ρᵢ更高的点，取这些点中离i最近的那个距离，作为δᵢ。全局密度最高的点没有“更高密度点”，它的δ直接取它到所有点的最大距离。

代码实现时要先按ρ降序排列样本。排序后的第一个点是全局密度最高的，它的父节点指向自己，δ取该点到所有点的最大距离；后面每个点只需要扫描排在它前面的“更密”的点，找最小距离即可。这样一边算δ，一边把每个点的父节点记录下来，父节点就是“密度比它高且离它最近的点”，后面分配类别时要用。

sorted_idx = np.argsort(-rho) delta = np.zeros(N) parent = np.zeros(N, dtype=int) for pos, i in enumerate(sorted_idx): if pos == 0: delta[i] = np.max(D[i]) parent[i] = i else: higher_idx = sorted_idx[:pos] dists = D[i, higher_idx] nearest_pos = np.argmin(dists) delta[i] = dists[nearest_pos] parent[i] = higher_idx[nearest_pos]

这里我把“父节点”数组也一并算出来了，这是比直接算δ多走的一步，但对后面的样本分配至关重要。你如果只求聚类中心，可以不算父节点；一旦要做完整分类，这步就别省。

3.4 画决策图：观察右上角的三组高点

计算完ρ和δ，我立刻画决策图。横轴是ρ，纵轴是δ，每个样本一个点，可以在图上用序号标记中心候选。对鸢尾花数据来说，决策图的右上角会非常清晰地出现三个远离主体的散点，它们就是三类样本的聚类中心。

我用matplotlib画散点图，再把排名靠前的点标注出来。第一次跑通时你会发现，根本不需要硬凑K，中心数量自己就“跳”出来了。这就是DPC最吸引人的体验：聚类中心不是算出来的参数，而是从数据分布里长出来的结构。

import matplotlib.pyplot as plt plt.scatter(rho, delta) plt.xlabel('rho') plt.ylabel('delta') plt.show()

决策图还能帮你判断数据是否适合聚类：如果右上角没有明显离群点，而是整片点连成一条斜带，说明数据可能没有清晰的簇结构，硬聚类出来的结果可信度很低。

4. 聚类中心的自动锁定与样本分配

4.1 从决策图上挑中心：人工读图还是自动筛选

决策图能看出中心大概位置，但如果想自动化，“看图”就不够了。原论文的做法是用γ = ρ × δ这个综合指标来排序。为什么是相乘？因为ρ和δ单独看都可能产生误判：单独ρ高会把簇内成员误当中心，单独δ高会把远离人群的离群点误当中心，只有两者同时高，才符合“又密又远”的标准。乘积放大了右上角的优势，让候选中心和非中心的差距更大。

拿到γ之后，按从大到小排序，然后观察衰减趋势。鸢尾花数据里，γ前3个值明显与后面的值拉开一个断层，说明选择3个聚类中心是自然的。如果你的数据真实K未知，这个断层位置可以作为K的估计值；如果断崖不明显，说明数据本身簇结构偏模糊，聚类结果要谨慎解读。

gamma = rho * delta k = 3 centers = np.argsort(-gamma)[:k] print(centers)

4.2 三个聚类中心长什么样

我这次实验选出的三个中心，对应的样本序号、密度、相对距离和真实类别如下表所示。这些样本的共同特点是：局部密度在整个数据集中算高，同时离更高密度区域足够远，也就是说它们的“山头感”极强。

注意，这三个中心分别落在三类里，而且都不是各类最边缘的样本。这说明DPC的“中心”定义和直觉完全一致：它找的是每一类里最能代表这一片区的样本。比如第一个中心的花瓣长度只有1.7，妥妥的Setosa特征；第三个中心的花瓣宽度达到2.3，是Virginica里比较典型的个体。

4.3 样本归队：顺着父节点链条一路走到中心

聚类中心选定之后，剩下每个样本怎么归类？DPC采用的策略非常巧妙：每个点只需要看一个比自己密度更高的最近邻居，也就是前面算出来的父节点。这个父节点再顺着链条往上走，最终一定走到某个聚类中心。这种“顺路归队”的逻辑类似山洪汇流：水往低处流，但每个水滴都沿着坡度最大的方向走，最终汇入同一个山脚。

代码实现上，我先给每个中心打上自己的簇编号，然后对非中心样本做递归追溯。因为父节点数组已经算好，循环很快。需要小心的是递归深度，150个样本无所谓，但如果你拿几万样本跑，建议用迭代写法代替递归，避免栈溢出。

labels = np.full(N, -1, dtype=int) for cluster_id, idx in enumerate(centers): labels[idx] = cluster_id def trace_to_center(i): while labels[i] == -1: i = parent[i] return labels[i] for i in range(N): if labels[i] == -1: labels[i] = trace_to_center(i)

这个分配策略有个隐含假设：每个样本的密度越高，它越接近簇的核心。边界样本的密度低，父节点往往指向簇内更密集的成员，所以最终归属是合理的。但如果你面对的是两个相互重叠的簇，边界样本可能会因为“离另一个簇的高密度区域更近”而投奔隔壁，这属于DPC的固有误差，后面评估时会看到具体影响。

5. 实验对比：DPC与K-Means的实际精度

5.1 评估指标：准确率不能直接算，标签先对齐

聚类结果是类别编号，跟真实标签的编号顺序不一定一致。比如DPC算出来的0号簇可能对应真实类别的1，直接拿两个数组做相等比较，准确率会低得离谱。所以我先用匈牙利算法对聚类标签和真实标签做一次最优匹配，把编号对齐后再算准确率。同时我算了两类不需要对齐的指标：调整兰德指数（ARI）和归一化互信息（NMI）。这三者一起看，基本能反映聚类质量。

from scipy.optimize import linear_sum_assignment cost = np.zeros((3, 3)) for i in range(3): for j in range(3): cost[i, j] = -np.sum((true_y == i) & (labels == j)) row_ind, col_ind = linear_sum_assignment(cost) mapped_labels = np.zeros_like(labels) for j, i in zip(col_ind, row_ind): mapped_labels[labels == j] = i accuracy = (mapped_labels == true_y).mean()

5.2 结果对比：不同配置的DPC和K-Means

我用几种配置跑了完整实验，结果贴在下面。K-Means用的是最常见的初始策略，K设为3；DPC分别用截断核和高斯核，并调整了dc的分位数。

高斯核配上2%的dc，表现最好，错误样本只有7个；截断核在1%分位数下效果也不错，但它的密度大量离散化，决策图看起来更毛糙。K-Means这次跑了13个错误样本，其中一部分是因为初始化随机性，换一个随机种子结果会有波动。DPC没有初始化过程，结果完全确定，这一点在实际使用中是很大的优势。

5.3 错误都发生在哪个区域：边界重叠是硬伤

我特意把错误样本拎出来看了一下，7个错误全部集中在Versicolour和Virginica之间，Setosa一个没错。其实这也符合数据本身的分布：从花瓣长度和花瓣宽度来看，Setosa和另外两类之间有一条肉眼可见的鸿沟，任何正常聚类算法都不会拆错；而Versicolour和Virginica的特征取值有相当一部分是交叠的，靠近边界的样本本身就是一个模糊地带。

在这些边界样本里，DPC的错误方式是：某几个Versicolour样本因为离Virginica的高密度核心更近，父节点指向了Virginica阵营，顺着链条最终归入错误簇。这种情况换成K-Means也一样会发生，因为边界点的归属本来就取决于特征空间中的距离权衡，没有哪个聚类算法能保证100%正确。

6. 参数敏感、算法边界和可扩展的改进方向

6.1 dc是整个DPC里最敏感的参数

把dc从2%依次调成0.5%、1%、5%、10%，聚类结果会发生非常明显的漂移。dc太小，每个点的邻居寥寥无几，密度分布稀疏，很多点ρ等于0，无法形成有效的父节点链条；dc太大，密度变成全局平均，计算出来的“聚类中心”全是数据集中部的大方块，边界信息全部丢失。

我的建议是：先用2%作为默认值跑一遍决策图，再把dc翻倍和减半各跑一遍，如果三个结果在决策图上的中心点基本稳定，说明数据对这个参数不敏感；如果中心点大洗牌，说明数据的簇结构本身就不稳固，换参数只能自欺欺人。在论文或实验报告里，最好把这种参数扫描的结果一并贴出来，比只说一个最优值有说服力得多。

6.2 原版DPC的几个硬伤

原版DPC在鸢尾花上表现不错，但它并不是万能的。第一个问题是密度层次：如果数据里两个簇的密度差一个数量级，低密度簇的成员会被当成噪声处理，高密度簇则把低密度簇整体吞并。第二个问题是分配不可逆：每个样本的父节点在最初就定了，后续没有“纠正”环节，一旦某个边界样本站错队，以它为父节点的所有后代全部跟着错，错误会沿着链条传播。第三个问题是边界密度阈值的设定只对两簇交界区域有意义，如果簇的形状不规则，边界识别会失真。

另外不得不提的是复杂度：距离矩阵要存N×N，密度和距离计算也是O(N²)。拿到几万乃至几十万样本时，内存和耗时都会变成现实问题。这不是DPC独有的毛病，但确实是选型时必须考虑的因素。

6.3 我建议的实操顺序和改进思路

如果你要把DPC用到自己的数据上，我建议按照这个顺序走一遍：先标准化，画距离分布直方图，用2%分位数定dc；画出决策图或γ排序图判断中心数量是否清晰；再跑聚类并计算ARI等标签无关指标；最后检查错误样本是不是集中在类簇边界。这套流程能让你在半小时内判断DPC到底适不适合当前数据。

如果原版DPC的效果不够理想，可以先尝试两个经典改进方向：一是用K近邻距离替代dc来定义局部密度，摆脱截断距离的全局敏感性，也就是KNN-DPC的思路；二是把一步到位的父节点分配改成迭代重分配，允许边界样本在多次更新后修正归属。对于大多数中小规模数据，这两招已经能解决很多原版DPC的痛点。

跑完之后最大的体会是：DPC不是银弹，但它在“不知道K是多少”的场景下确实比K-Means从容得多。先跑一遍基础版，再决定要不要上改进版。很多时候，基本盘就够用了。