不做标准化时聚类结果不可信，因量纲差异导致欧氏距离被大数值特征主导，如年收入掩盖年龄影响，使轮廓系数异常低。
不做标准化，聚类结果基本不可信——尤其是用 KMeans、AgglomerativeClustering 这类依赖欧氏距离的算法时，量纲大的特征会直接“压倒”其他特征，导致聚类只反映数值尺度，而非真实结构。
距离计算被量纲主导是根本问题
比如一个数据集含「年龄（18–80）」和「年收入（5000–200000）」，未经标准化时，收入差值动辄上万，而年龄差最多60；欧氏距离里收入项贡献占比常超95%，年龄几乎不参与决策。这不是模型“学得不好”，而是输入本身让距离失真。
常见错误现象包括：
python-script-generator
下载
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
- 轮廓系数
silhouette_score异常低（ - 聚类中心在可视化（如PCA降维后散点图）中呈明显线性拉伸，而非紧凑分组
- 改变某个高量纲特征的单位（如万元→元），聚类结果完全变化
StandardScaler 是最常用但不是万能的
StandardScaler 做的是 Z-score 标准化：(x − μ) / σ。它假设数据近似正态分布，对异常值敏感。实际中容易踩的坑有：
- 在训练集+验证集+测试集上一起
fit_transform→ 造成数据泄露，必须只在训练集上调用fit，再用transform处理其余数据 - 对含大量离群点的特征（如用户点击次数）仍用
StandardScaler→ 均值和标准差被扭曲，建议换RobustScaler - 把类别型变量（如
gender编码后的 0/1）也丢进StandardScaler→ 没必要，还可能干扰解释性
哪些情况可以跳过标准化？
不是所有聚类都强制要标准化：
- 用
DBSCAN且已人工设好eps（比如地理坐标用经纬度+米级阈值），此时你明确知道距离单位含义，标准化反而破坏物理意义 - 所有特征本就是同一量纲、同数量级（例如 PCA 后的前5个主成分），此时均值方差已统一
- 使用余弦相似度代替欧氏距离（如
sklearn.metrics.pairwise.cosine_similarity），它本身与向量长度无关
最容易被忽略的一点：标准化必须在降维（如 PCA）之前做。如果先 PCA 再标准化，等于对主成分再次缩放，破坏了方差解释比例——而 PCA 的核心前提正是各原始特征已中心化（即减去均值），这一步 StandardScaler 已隐式完成。
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！
