Scikit文档说明如下：

初始化方法：

‘k-means++’：以智能方式选择k均值聚类的初始聚类中心，以加速收敛。请参阅k_init部分的注释以获取更多详情。

如果传递的是ndarray，它的形状应为(n_clusters, n_features)，并提供初始中心。

我的数据有10个（预测的）聚类和7个特征。然而，我希望传递一个形状为10×6的数组，即我想预定义质心的6个维度，但让第7个维度自由迭代使用k-means++。（换句话说，我不想指定初始质心，而是想控制6个维度，只让一个维度在初始聚类中变化）

我尝试传递10×6维度的数组，希望它能工作，但它只是抛出了错误。

回答：

Sklearn不允许你执行这种精细操作。

唯一的可能性是提供一个随机的第7个特征值，或者类似于Kmeans++会实现的效果。

所以你可以按如下方式估计一个好的值：

import numpy as npfrom sklearn.cluster import KMeansnb_clust = 10# 你的数据X = np.random.randn(7*1000).reshape( (1000,7) )   # 你的6列质心  cent_6cols = np.random.randn(6*nb_clust).reshape( (nb_clust,6) ) # 人为固定你的质心km = KMeans( n_clusters=10 )km.cluster_centers_ = cent_6cols# 找到给定你的初始化后落在每个聚类上的点initial_prediction = km.predict(X[:,0:6])# 对于第7列，你将提供落在聚类上的点的平均值 # 这些聚类是由你的部分质心给定的    cent_7cols = np.zeros( (nb_clust,7) )cent_7cols[:,0:6] = cent_6colsfor i in range(nb_clust):    init_7th = X[ np.where( initial_prediction == i ), 6].mean()    cent_7cols[i,6] =  init_7th# 现在你已经用类似Kmeans ++的方式初始化了第7列 # 所以现在你可以使用cent_7cols作为你的质心truekm = KMeans( n_clusters=10, init=cent_7cols )