Python 在sklearn或其他集群库中进行集群时，是否有方法强制将一组点分配给同一个类？

我想使用sklearn的一种聚类算法，但有一个限制，即某些点集必须属于同一类。例如，给定下面的一组点，我想强制所有红点属于同一类，所有蓝点属于同一类。我也希望它，使红色和蓝色的点可以属于同一类。如果这在sklearn中不可能实现，我也愿意使用其他库

---

对于任何库来说，一个可行的解决方案是为蓝色簇定义一个“超级点”，为红色簇定义另一个“超级点”

因此，只需将蓝色超点定义为每个蓝色点的平均值/中值，同样地，红色超点也是如此。然后在这两个超级点加上剩余的点上运行聚类

其名称为“，”，这是一系列半监督聚类方法，用户还可以提供以下约束：

必须链接-两个节点必须属于同一群集

无法链接-两个节点不能属于同一群集

有一个的实现，它提供了如下API：

导入numpy
从copkmeans.cop_kmeans导入cop_kmeans
输入矩阵=numpy.random.rand（100500）
必须链接=[（0,10）、（0,20）、（0,30）]
无法链接=[（1,10）、（2,10）、（3,10）]
集群，中心=cop\U kmeans（数据集=输入矩阵，k=5，ml=必须链接，cl=不能链接）

也许这是我使用的图像中的一个缺陷，但我不一定知道红点和蓝点彼此靠近。如果它们分散在整个空间，我想这可能会有奇怪的含义。“不过我喜欢这个主意。”索耶·韦登说，这是一个很好的观点。因此，最好使用中位数，或者您可以将每个坐标上的值存储到少量的存储桶中，然后使用模式。但不管怎样，任何算法都必须将所有点视为一个点，因为它们都被分配到同一个组。您是否知道一种不需要预定义数量的聚类的约束聚类算法？是的，但它们稍微复杂一些。“约束Dirichlet混合模型”（例如，在Pyro:）或“变分惩罚概率聚类”是需要研究的两种情况。如果混合组分（簇）的数量未知，则可将参数与贝叶斯推理相结合。但我不知道这两种技术有什么现成的实现。