一、什么是加权聚类

普通聚类默认"每个样本、每个指标都同等重要"：距离公式里每个样本权重都是 1，每个指标在距离计算里占比相同。但现实数据经常不满足这个假设：

• 抽样调查数据：不同样本代表总体里不同规模的人群，有的人一个人代表 50 个居民，有的人代表 500 个，等权聚类等于把抽样设计扔了
• 业务指标重要程度不同：用户分群里，消费金额比访问时长更重要，不应该和后者在距离里各占一半
• 样本不均衡：某类样本数量特别多，等权聚类会让质心被多数派拉走

加权聚类就是在距离计算或质心更新中，给样本或指标加上权重，让重要的个体、关键的指标对聚类结果产生相应更大的影响。

它和普通聚类的算法框架完全一致，区别只在"距离怎么算、中心怎么更新"两个环节。本文先分清两种权重，再给 Excel 里的完整实现步骤。

二、两种权重：先别搞混

加权聚类最常见的困惑是"权重加在哪"。实际上有两个完全不同的方向：

下面的公式里，样本权重记 ，指标权重记 。两者可以同时使用。

三、加权距离的计算

3.1 普通欧氏距离

3.2 指标加权距离（特征加权）

给每个指标乘以权重 ，重要指标在距离里占更大比重：

权重一般做归一化，保证 。

3.3 样本加权距离

样本权重影响的不是两条样本之间的距离，而是质心（聚类中心）的计算和归属判定时的贡献。距离本身仍是样本到中心的距离，但中心是加权平均出来的。

3.4 Excel 公式实现（指标加权）

假设有 3 个指标，标准化后的数据在 B2:D2（样本 i）和 B3:D3（样本 j），指标权重放在 $F$2:$F$4：

=SQRT(SUMPRODUCT($F$2:$F$4, (B2:D2-B3:D3)^2))

SUMPRODUCT 先把权重和差值平方逐项相乘，再求和，最后开方。下拉即可生成加权距离矩阵。

四、加权 K-Means 的算法流程

4.1 算法原理

加权 K-Means 的迭代步骤和普通 K-Means 一致，只把两处换成加权版本：

1. 随机选 K 个初始中心
2. 分配：每条样本按加权距离归入最近的中心
3. 更新中心：用加权平均计算每个簇的新中心
4. 重复 2、3，直到中心不再变化

4.2 加权质心公式

普通质心是簇内样本的算术平均；加权质心是按样本权重加权平均：

分子是加权求和，分母是权重之和。每个指标方向上分别算一遍。

4.3 指标加权时的质心

如果权重加在指标上，质心公式不变（还是样本平均），指标权重只体现在距离分配环节。

五、Excel 实操：加权 K-Means 完整步骤

5.1 第 1 步：准备数据与权重

必须先标准化。指标量纲不同时，加权没有意义——大数值指标会天然主导距离。用 Z-score：

=(B2-AVERAGE($B$2:$B$6))/STDEV.S($B$2:$B$6)

5.2 第 2 步：设定指标权重

在权重区列出各指标权重并归一化：

归一化让权重和为 1，方便解释。

5.3 第 3 步：初始化 K 个中心

手动选 K 个样本作为初始中心（或用公式随机抽取）。中心表和数据区放同一工作表的右侧：

5.4 第 4 步：计算每条样本到各中心的加权距离

样本 i 到中心 k 的距离（指标加权）：

=SQRT(SUMPRODUCT($权重区域, (样本行 - 中心行)^2))

用 MIN 找最近的中心，MATCH 返回簇编号：

=INDEX(中心编号区, MATCH(MIN(距离1,距离2), 距离区, 0))

5.5 第 5 步：按样本权重更新中心

对每个簇，用加权平均求新中心。以簇 C1 的指标1 为例：

=SUMPRODUCT((簇编号=1)*样本权重*指标1) / SUMPRODUCT((簇编号=1)*样本权重)

• (簇编号=1) 是条件，满足返回 1，否则 0
• 分子：簇内样本权重 × 指标1，逐项相乘求和
• 分母：簇内样本权重之和

这就是加权质心公式的 Excel 实现。三个指标分别复制公式。

5.6 第 6 步：迭代直到收敛

把新中心替换旧中心，回到第 4 步重新分配。判断收敛的标准：

• 每条样本的簇编号不再变化
• 或中心移动距离小于设定阈值（如 0.001）

Excel 里手动迭代 3~5 轮即可。样本量小，逐轮记录中心位置，对比上一轮是否变动。

5.7 第 7 步：输出聚类结果

最后一列保留簇编号，即可得到加权聚类分组。配合 COUNTIF 统计每簇人数，配合 SUMPRODUCT 算每簇加权规模。

六、加权等级聚类中的权重处理

如果用的是等级聚类（系统聚类），样本权重同样进入类间距离计算：

6.1 加权组平均法

两个类 U、V 之间的平均距离，按各自样本数（或样本权重和）加权：

Excel 里实现：先在距离矩阵上记录每个样本的权重，合并成新类后，类权重等于成员权重之和；更新矩阵时，跨类样本对按权重加权平均。

6.2 权重在谱系图中的体现

等级聚类最后切分簇时，样本权重大的簇在业务上更重要。切分高度不只看树状结构，还要结合各簇的加权规模——一个小权重的样本聚成一簇，业务价值可能低于一个大权重簇。

七、权重怎么定：三种来源

权重不是拍脑袋填的，常见有三种确定方式：

7.1 抽样设计权重（客观）

复杂抽样调查里，权重由抽样概率直接决定：

这类权重必须严格按设计方案计算，不能随意调整。

7.2 业务专家打分（主观但可追溯）

指标权重由业务团队按经验给出。比如 RFM 分群里，消费金额权重 0.5、频次 0.3、最近间隔 0.2。打分过程要记录，方便复盘和调整。

7.3 数据驱动（统计方法）

• 方差贡献率：用主成分分析得到各指标权重
• 熵权法：根据指标信息熵客观赋权，差异越大权重越高
• 相关性剔除：高度相关的指标降权，避免重复计权

客观赋权法可在 Excel 里实现，熵权法需要算比重、熵值、差异系数，步骤固定。

八、权重与标准化的关系（最容易混的点）

8.1 两者解决不同问题

8.2 顺序不能反

正确顺序：先标准化，再加权。

如果先加权，大数值指标（如收入以元为单位）会在加权前就垄断距离；标准化后各指标方差为 1，权重才能真正反映"重要程度"，而不是"数值大小"。

8.3 指标权重的检验

赋权后要做敏感性检查：把权重在合理范围内调整，看聚类结构是否稳定。如果权重微调后分组大变，说明当前权重过于敏感，结果不可靠。

九、常见误区

9.1 给文本指标加权

聚类距离计算基于数值。性别、地区这类分类变量要先转虚拟变量，且不参与权重分配。

9.2 权重总和不归一

权重不归一不影响距离排序（等比例缩放），但会让加权质心公式出错。样本权重和指标权重都建议归一化后再用。

9.3 样本权重和指标权重混在一个数里

一行一个权重，一个指标一个权重，不能把两种权重压成一列。混淆后距离公式无法解释。

9.4 认为加权能修正坏数据

权重放大的是"重要性"，不是"可信度"。脏数据、错误异常值不会因为加了大权重而变正确，反而会被放大。先清洗，再加权。

9.5 Excel 实现不了大数据量

距离矩阵是 n×n，加权公式又比普通聚类更复杂。样本超过 100 条，Excel 迭代维护成本就很高。真实业务建议在 Python（sklearn 的 sample_weight 参数）中实现，Excel 用于理解原理和小样本演示。

from sklearn.cluster import KMeans

kmeans = KMeans(n_clusters=3).fit(X, sample_weight=weights)

指标加权则在距离度量前对标准化特征做列缩放：X * feature_weights。

十、一个完整场景：问卷受访者聚类

假设做了一份消费者问卷，回收 60 份，采用分层抽样：城市样本入样概率高、样本权重小，农村样本权重高。指标有消费金额、购买频次、满意度三个，业务上金额最重要。

处理流程：

1. 指标 Z-score 标准化
2. 指标权重：金额 0.5、频次 0.3、满意度 0.2
3. 样本权重：按抽样概率 1/p 计算
4. 加权 K-Means 迭代到收敛
5. 按样本权重汇总每簇代表的人群规模，输出人群画像

不加权的结果会被城市样本（数量多）主导；加权后，簇的规模和画像才能反映总体结构，而不是"被调查的那批人"。

十一、总结

加权聚类 = 普通聚类框架 + 两处调整：

• 指标加权：距离公式中给重要指标乘权重系数，先标准化再赋权
• 样本加权：质心按权重加权平均，反映样本在总体中的代表规模

Excel 里的实现要点：

1. 先标准化，再确定两类权重
2. 加权距离用 SUMPRODUCT 计算
3. 加权质心用 SUMPRODUCT(条件*权重*指标) / SUMPRODUCT(条件*权重)
4. 迭代到中心稳定，再统计簇规模与画像
5. 权重来源要可追溯，小样本用 Excel 演示，大样本转 Python

最后提醒一句：加权聚类不是"给重要的样本多分几票"这么简单。权重背后是抽样设计或业务判断，赋权之前先想清楚——这一类样本、这一个指标，凭什么比别的重要。想不清这个问题，加权只会让结果看起来更精致，而不是更正确。

推荐学习书籍 《CDA一级教材》适合CDA一级考生备考，也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校，累计已有10万+在读~ !

免费加入阅读：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0