一、带逐行详细注释的完整代码

# 注释：该代码的核心功能是先对亚马逊评论的Embedding向量做KMeans聚类（分成3类），
# 再用T-SNE将高维向量降维到2维，最后通过散点图可视化不同聚类类别的分布，
# 核心目的是发现评论的语义聚类规律（无需人工标注，纯数据驱动分类）

# 导入pandas库，用于读取CSV数据集（包含Embedding向量）和数据处理
import pandas as pd
# 导入numpy库，用于数值计算（矩阵构建、维度处理）
import numpy as np
# 导入ast库，用于将字符串格式的Embedding向量转为Python列表
import ast
# 导入matplotlib.pyplot库，用于绘制散点图可视化聚类结果
import matplotlib.pyplot as plt
# 导入matplotlib核心库，用于配置颜色映射
import matplotlib
# 从sklearn的流形学习模块导入TSNE类，用于高维向量降维
from sklearn.manifold import TSNE
# 从sklearn的聚类模块导入KMeans类，用于对Embedding向量做无监督聚类
from sklearn.cluster import KMeans

# 设置matplotlib的字体为“SimHei（黑体）”，解决中文标签显示为方块的问题
plt.rcParams['font.sans-serif'] = ['SimHei']
# 解决负号“-”显示为方块的问题（绘图时坐标轴可能出现负号）
plt.rcParams['axes.unicode_minus'] = False

# 读取第一步生成的包含Embedding向量的CSV文件（路径需与之前一致）
df = pd.read_csv('datas/embedding_output_1k.csv')

# 新增embedding_vec列：将字符串格式的Embedding向量（如"[0.123,0.456,...]"）转为Python列表
# ast.literal_eval()是安全的字符串解析方法，避免eval()的安全风险
df['embedding_vec'] = df['embedding'].apply(ast.literal_eval)

# 注释：T-SNE是非线性降维算法，能将1536维高维向量映射到2D/3D空间，方便可视化；
# nunique()用于统计某列不同值的个数，例如[1,1,1]的nunique()为1，确保所有向量维度一致

# 校验所有embedding_vec的长度是否相同（必须一致才能构建矩阵做聚类/降维）
# df['embedding_vec'].apply(len)计算每条向量的长度，nunique()==1表示所有向量维度相同（均为1536）
if df['embedding_vec'].apply(len).nunique() == 1:
    # 将所有Embedding向量列表垂直堆叠为二维numpy矩阵（形状：1000行 × 1536列）
    # 这是sklearn聚类/降维算法的标准输入格式（必须是矩阵而非列表）
    matrix = np.vstack(df['embedding_vec'].values)

    # 初始化KMeans聚类模型实例，配置核心参数
    # 3：聚类数量（将评论分为3类）；init='k-means++'：智能初始化聚类中心，避免局部最优
    # random_state=43：随机种子，保证每次聚类结果一致（可复现）；n_init=10：运行10次KMeans取最优结果
    km = KMeans(3, init='k-means++', random_state=43, n_init=10)
    # 用1536维的Embedding矩阵训练KMeans模型（核心：计算聚类中心，给每条数据分配类别）
    km.fit(matrix)

    # 新增Kmeans_Label列：存放每条评论的聚类标签（0/1/2，对应3个类别）
    # km.labels_是模型训练后生成的类别标签，长度与数据集行数一致
    df['Kmeans_Label'] = km.labels_  # 把所有类别存放到新字段：0，1，2

    # 创建T-SNE降维模型实例，参数与上一节一致
    # n_components=2：降维到2维；perplexity=15：困惑度（控制近邻数量）；random_state=42：固定随机种子
    # init='random'：随机初始化；learning_rate=200：降维学习率
    tsne = TSNE(n_components=2, perplexity=15, random_state=42, init='random', learning_rate=200)

    # 对1536维的Embedding矩阵执行T-SNE降维，得到2维矩阵（形状：1000行 × 2列）
    matrix_2d = tsne.fit_transform(matrix)

    # 打印降维后的2维矩阵（每行是一条评论的2维坐标，如[5.6, -8.9]），验证降维成功
    print(matrix_2d)

    # ===================== 可视化聚类结果 =====================
    # 定义3种颜色，对应3个聚类类别（0→红，1→绿，2→蓝）
    colors = ["red", "green", "blue"]

    # 提取2维矩阵的第一列作为x轴坐标（所有评论的横向位置）
    x = matrix_2d[:, 0]
    # 提取2维矩阵的第二列作为y轴坐标（所有评论的纵向位置）
    y = matrix_2d[:, 1]

    # 获取聚类标签作为颜色索引（0/1/2直接对应colors列表的索引）
    colors_indices = df['Kmeans_Label'].values

    # 将自定义颜色列表转为matplotlib可识别的颜色映射对象
    color_map = matplotlib.colors.ListedColormap(colors)

    # 绘制散点图：x/y为降维后的坐标，c为聚类标签对应的颜色索引，cmap为颜色映射
    # 每个点代表一条评论，颜色区分聚类类别，位置反映语义相似度（同类别点大概率聚集）
    plt.scatter(x=x, y=y, c=colors_indices, cmap=color_map)

    # 设置图表标题（显示中文需提前配置字体）
    plt.title('使用聚类和T-SNE降维后的亚马逊评论')

    # 显示绘制好的散点图（弹出窗口展示结果）
    plt.show()

二、核心知识点详解

1. 核心概念梳理

2. 所用库的详细说明（新增/重点库）

3. Print函数与绘图说明

（1）Print函数说明

（2）绘图函数与可视化结果说明

代码	作用	预期可视化效果（图例说明）
plt.scatter(x=x, y=y, c=colors_indices, cmap=color_map)	绘制聚类散点图	核心特征： 1. 红色/绿色/蓝色点分别代表3个聚类类别； 2. 同颜色点大概率聚集在一起（说明同类别评论语义相似）； 3. 不同颜色点基本分离（说明聚类效果好，类别间语义差异明显）； 4. 若某颜色点分散在多个区域，说明k值（3）可能不合适，需调整
plt.title('使用聚类和T-SNE降维后的亚马逊评论')	设置图表标题	标题清晰说明可视化的核心方法（聚类+T-SNE）和数据来源（亚马逊评论）
plt.show()	显示图表	弹出独立窗口展示散点图，可保存/缩放，直观观察聚类分布

4. KMeans关键参数解析（小白必懂）

三、总结

1. 核心目标：通过KMeans对1536维的评论Embedding向量做无监督聚类（3类），再用T-SNE降维到2维，可视化不同聚类类别的语义分布；
2. 关键步骤：读取向量数据→转换向量格式→构建高维矩阵→KMeans聚类（生成标签）→T-SNE降维→绘制颜色区分聚类的散点图；
3. 核心注意点：
   • KMeans的类别数k需手动指定，实际应用中可通过“肘部法则”选择最优k；
   • 先聚类（高维）再降维（可视化）是最优流程，避免降维后聚类导致信息丢失；
   • 聚类标签无直接语义，需结合评论文本分析每个类别的实际含义（如0类是“口感相关评论”，1类是“价格相关评论”）。

运行结果

[[ 11.009294   15.715658 ]
 [ 11.535578  -37.481087 ]
 [-35.892113   45.436775 ]
 ...
 [ 49.90143    19.138323 ]
 [-17.05342   -51.86057  ]
 [ -7.1301866 -44.626617 ]]

进程已结束，退出代码为 0