谱聚类（Spectral Clustering）是先把数据点连成一张“相似度图”，再借助这张图的特征向量（eigenvectors）把每个点重新表示到一组低维坐标里，最后在低维空间中切分的聚类方法。
它怎么工作
大致分三步。
1. 建图。 每个数据点对应图上的一个节点，两点之间的边权表示它们的相似程度，最常用 Gaussian kernel（高斯核）：w = exp(−‖xᵢ−xⱼ‖² / 2σ²)。为了让计算更容易，通常只给每个点连最近的 k-nearest neighbors（k 近邻）。
2. 求谱。 构造图拉普拉斯矩阵（Graph Laplacian）L = D − W：W 是边权矩阵，D 是每个点的连边权重之和（叫“度”）。取 L 最小的 k 个特征值对应的特征向量，每个点原本是一行原始特征，现在变成 k 个数字组成的新坐标。
3. 切分。 在这 k 维新坐标上跑普通的 K-Means。因为经过上一步，原本属于不同簇的点已经被拉开了。
一个比方：把数据点想成一张渔网上的结，结与结之间连着绳子，绳子的粗细代表相似程度。我们想把网剪成 k 块，并让每块内部尽量少断绳，这就是最小割（min-cut）问题。直接枚举所有剪法会组合爆炸，而拉普拉斯矩阵的特征向量恰好是这个问题的一个“松弛解”，它告诉你网会从哪道缝最先裂开。抬一下渔网，它自己就从最松的缝断开。
为什么能切 K-Means 切不开的形状
K-Means 的决策边界是两质心的垂直平分线，也就是直线或高维超平面。它隐含假设簇是围绕质心的凸球形团。遇到双月形、同心圆这类数据，两个簇的质心甚至几乎重合，直线怎么切都错。
谱聚类不看“离中心多远”，只看“和谁连得紧”。一个半月内部连边密，跨半月连边疏，图结构上本来就是两个子图。特征向量把这种连通关系变成坐标，于是弯曲的簇在新空间里成了可以一刀切开的两团。
| 维度 | K-Means | 谱聚类 |
|---|---|---|
| 核心假设 | 簇是凸的球形，可用质心代表 | 簇是图上连接紧密、彼此稀疏的子图 |
| 边界形状 | 直线、超平面 | 可沿数据形状弯曲的任意形状 |
| 输入 | 原始坐标 | 相似度矩阵，即图 |
| 代价 | 低，线性量级每轮 | 高，特征分解通常接近 O(n³)，稀疏图可缓解 |
| 稳定性 | 依赖初始化，需要多跑几次 | 前段特征分解是确定的，后段 K-Means 仍有随机性 |
| 适合 | 大样本、球形簇 | 中小样本、非凸形状、关系型数据 |
对从业者的意义
谱聚类的参数比较敏感：相似度尺度 σ 或近邻数选得太大，图会全连通，切不开；选得太小，图会碎成孤岛，每个点自成一簇。样本量一大，特征分解也承受不了，工程上常用 Nyström 近似、稀疏化或先降维的办法。它的影响也超出聚类本身：拉普拉斯特征映射（Laplacian Eigenmaps）等流形学习降维方法，用的都是同一套思路。
对普通职场人，可以带走一个直觉：聚类不一定需要“中心”。客户分群、文档主题、社交社区这类问题里，很多簇本来就没有一个“平均代表”，按关系切分比按坐标切分更贴合业务。
具体实现与参数默认值，以所用作官方文档为准。