应采用kmeans++初始化：先随机选第一个质心，后续每个质心按到已有质心最小距离的平方为权重概率采样，以拉开初始间距、避免局部最优。
怎么初始化质心才不容易掉进局部最优
随机选 k 个样本点当质心最简单，但实际中大概率导致后续迭代慢、结果差。比如在鸢尾花数据上跑 10 次，labels 的 NMI（标准化互信息）可能从 0.52 波动到 0.78。
更稳妥的做法是用 KMeans++ 初始化逻辑：第一个质心随机选；之后每选一个，按「到已有质心最小距离的平方」为权重概率采样。这样能天然拉开初始质心间距。
- NumPy 实现关键：用
np.random.choice配合p参数传入权重数组 - 别直接对距离取
np.exp(-dist)归一化——容易 underflow，用dist ** 2再除以总和更稳 - 如果只是调试或小数据集，
X[np.random.choice(len(X), k, replace=False)]也够用，但务必记录下这次 seed
批量算距离时为什么必须用 X[:, np.newaxis] - centers
因为要让每个样本（n_samples 行）和每个中心（n_clusters 行）两两配对，得到 (n_samples, n_clusters) 的距离矩阵。靠 NumPy 广播机制实现，比嵌套 for 循环快 20 倍以上。
常见错误是写成 X - centers，这会触发维度不匹配报错：ValueError: operands could not be broadcast together；或者误写成 X[np.newaxis, :] - centers，结果形状反了，后续 np.argmin(..., axis=0) 就会错分标签。
- 正确广播结构：
X是(n, d)，加np.newaxis变成(n, 1, d)；centers是(k, d)→ 自动广播为(n, k, d) - 距离计算后记得用
.sum(axis=2)消掉特征维，再开方，别漏掉axis=2 - 如果内存吃紧，可改用
scipy.spatial.distance.cdist(X, centers, 'euclidean')，它内部做了内存优化
centroids 更新时为什么不能用 np.mean 直接按 label 分组
因为某簇可能没分到任何点——尤其用 KMeans++ 初始化后早期迭代，或 k 设得偏大时。这时 X[labels == i] 返回空数组，np.mean 会返回 nan，后续所有距离计算全崩。
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
必须显式检查空簇：发现某 i 对应的点数为 0，就把它重置为离它最近的非空簇质心 + 小扰动（比如 + 0.01 * np.random.randn(d)），而不是跳过或报错退出。
- 检查方式：用
np.bincount(labels, minlength=k)，比循环len(X[labels==i])快得多 - 重置策略里加扰动，是为了避免多个空簇被设成同一位置，引发下轮继续空簇
- sklearn 的
KMeans默认行为是抛ConvergenceWarning，但你的手写版得自己兜底
怎么判断算法真的收敛了而不是卡住了
只比对新旧 centroids 是否完全相等（centroids == new_centroids）几乎永远不成立，浮点误差会让它永远不退出。也不能只看迭代次数——有时 5 步就稳了，有时 200 步还在抖。
真正该监控的是质心移动的**最大欧氏距离**：np.max(np.linalg.norm(centroids - new_centroids, axis=1))。设阈值如 1e-4，比单纯 np.allclose 更可控。
- 注意：这个距离是 per-center 的，不是所有质心位移的平均值——后者会掩盖某个质心大幅漂移的问题
- 如果连续 3 轮移动距离都小于阈值，可以提前终止，避免无意义等待
- 真实项目中建议同时记下每轮的 WCSS（簇内平方和），画曲线看是否平台期——有时候数值稳定了，但 WCSS 还在缓慢下降
收敛判断和空簇处理这两块，最容易被当成“细节”跳过，但恰恰是手写 K-means 在真实数据上跑不起来的主因。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
