SpectralClustering不适合直接跑原始用户行为表，因为它要求输入是样本间的相似度矩阵（n_samples, n_samples），而非原始特征矩阵（n_samples, n_features）；若直接传入未构造相似矩阵的原始行为数据，会因affinity默认模式误算或维度不匹配导致全零标签、聚类失效等问题。

为什么 SpectralClustering 不适合直接跑原始用户行为表？

因为 SpectralClustering 不接受原始特征矩阵（比如用户点击次数、停留时长、页面路径编码等）直接输入——它真正需要的是一个**样本间的相似度矩阵**（即图的邻接矩阵），而不是 X 形如 (n_samples, n_features) 的常规数据。你扔进去一列 user_id 加十列行为统计，会报 ValueError: Expected 2D array, got 1D array instead 或更隐蔽地跑出全一样标签——那是没构造图就硬喂了欧氏距离默认模式。

常见错误现象：
• 聚类结果几乎全是同一类（labels_ 全为 0）
• affinity='rbf' 下对稀疏行为向量效果极差，高维下 RBF 核失效
• 用 precomputed 模式却传了距离矩阵而非相似度矩阵（符号反了）

• 先做用户行为聚合：每个用户 → 一个固定长度向量，例如 [pv, uv, avg_stay_sec, bounce_rate, n_pages, n_events]
• 再计算成对相似度：推荐用 sklearn.metrics.pairwise.cosine_similarity（行为向量常稀疏且方向比模长重要）
• 必须设 affinity='precomputed'，否则模型会忽略你算好的相似矩阵，自己重算

怎么构造靠谱的用户相似度矩阵？别用欧式距离

用户行为数据天然高维稀疏、量纲不一（PV 是千级，bounce_rate 是 0–1）、分布偏态严重。直接用 euclidean 或 rbf 做 affinity，会导致「活跃用户彼此靠近，沉默用户被挤到角落」，切不出有意义的行为模式群。

实操建议：
• 对每列行为特征单独标准化：StandardScaler 不够，用 RobustScaler（抗异常点击）或分位数归一化（QuantileTransformer(output_distribution='uniform')）
• 相似度选 cosine：它只看向量夹角，对绝对数值不敏感，更适合「行为模式相似但活跃度不同」的场景（比如轻度学习者和重度学习者都偏好视频+测验路径）
• 矩阵要稠密且非负：如果用了 cosine_similarity，结果已在 [−1, 1]，需做 sim = (sim + 1) / 2 映射到 [0, 1]，否则负值会让谱聚类的拉普拉斯矩阵失去半正定性

from sklearn.metrics.pairwise import cosine_similarity
from sklearn.preprocessing import QuantileTransformer
X_user: (n_users, n_behavior_feats)
qt = QuantileTransformer(output_distribution='uniform')
X_norm = qt.fit_transform(X_user)
sim_matrix = cosine_similarity(X_norm)
sim_matrix = (sim_matrix + 1) / 2  # [0, 1]

SpectralClustering 参数怎么调才不崩？重点看 n_clusters 和 gamma

n_clusters 不能靠肘部法瞎试——谱聚类对簇数极其敏感，尤其当用户图存在自然连通分支（比如新老用户隔离、端侧差异大）时，设错一个值，整个切分就变成随机噪声。而 gamma（仅在 affinity='rbf' 时生效）在你已用 precomputed 时完全无效，设了也白设。

会译·对照式翻译

会译是一款AI智能翻译浏览器插件，支持多语种对照式翻译

• 真实有效的参数只有三个：n_clusters、affinity='precomputed'、assign_labels='discretize'（比 'kmeans' 更稳，避免初始中心漂移）
• n_clusters 推荐从领域知识出发：比如你怀疑有「探索型」「完成型」「放弃型」「回访型」四类，就设 4；不要无脑扫 2–10
• 若聚类后某类样本极少（sim_matrix 的最小非零值，考虑加阈值截断：sim_matrix[sim_matrix

from sklearn.cluster import SpectralClustering
clu = SpectralClustering(
n_clusters=4,
affinity='precomputed',
assign_labels='discretize',
random_state=42
)
labels = clu.fit_predict(sim_matrix)

图切分后怎么验证不是噪声？看拉普拉斯矩阵的前 k 个特征值

谱聚类的本质，是用图拉普拉斯矩阵的前 k 个最小非零特征值对应的特征向量做嵌入。如果第 2 到第 k 个特征值非常接近（比如 gap k 分割结构，此时聚类结果不可信。

做法很简单：不用重写算法，复用 scikit-learn 内部逻辑即可：

from sklearn.cluster._spectral import spectral_embedding
embedding = spectral_embedding(
sim_matrix,
n_components=4,  # 你想检验的 k
eigen_solver='arpack'
)
embedding.shape == (n_users, 4)
它的每一列对应一个特征向量，特征值隐含在求解过程里
实际需调用 scipy.sparse.linalg.eigsh 手动算，但快速判断可看 embedding 各列方差：
print([embedding[:, i].var() for i in range(4)])
若第2~4列方差都 < 1e-4，基本就是塌缩了

真正容易被忽略的点：相似度矩阵必须对称且对角线为 1（自己最像自己）。如果你用 cosine_similarity 得到的矩阵对角线是 1，没问题；但若用自定义函数漏了 np.fill_diagonal(sim_matrix, 1)，会导致拉普拉斯矩阵奇异，后续 embedding 失效。