我正在尝试使用scikit learn进行k均值聚类。因此，我使用肘部法来找到最佳的k值。

def elbow(df, n):   kMeansVar = [KMeans(n_clusters=k).fit(df.values) for k in range(10, n)]   centroids = [X.cluster_centers_ for X in kMeansVar]   k_euclid = [cdist(df.values, cent) for cent in centroids]   dist = [np.min(ke, axis=1) for ke in k_euclid]   wcss = [sum(d**2) for d in dist] #代码运行到这里没有问题   tss = sum(pdist(df.values)**2)/df.values.shape[0]   bss = tss - wcss   plt.plot(bss)   plt.show()

我的数据框有14列和188233行。当我尝试将整个数据框传递给函数时，内核崩溃了。当我尝试只传递一列时，内核仍然崩溃。我在排查问题时发现，代码运行到了函数中标记注释的那一行。请建议我如何解决这个问题。

回答：

为什么不使用k-means对象提供的inertia_属性来避免重新计算所有距离呢？

这样你就不需要使用那个效率低下的数据结构的有问题的那一行了。