Python KMeans是否可以使用更高维度进行集群？

我有几百个3d数组，我想用它们做一些聚类分析，但是

sklearn.cluster.KMeans

只会做一个2D数组。我的每个数组的大小都是

（56,88,56）

，我有

300

。当我把它们组合成一个数组时，我得到

（300,56,88,56）

。KMeans给出了错误

ValueError:Found数组的dim 4。预计估计器K-均值聚类的步骤如下：


拾取一些随机中心：对所有坐标采样相同的分布，因此此操作相对于坐标变化是对称的
计算所述集群和数据库中的点之间的距离。即使更改坐标顺序，欧几里德距离的公式也保持不变
计算平均值和移动中心。交换坐标时，平均值也保持不变

总之，K-Means中的所有步骤都和数据的内部结构无关。您可以轻松地为矩阵实现它，但这样做并没有实际意义，因为您可以将它们展平并将它们视为数组。sklearn收敛到的解决方案应与提供的实现相同

你问这个有什么特别的原因吗？sklearn解决方案是否没有收敛到预期的输出？
您可以轻松地选择三个功能（列）作为适合的变量的输入。np.asarray（[np.asarray（df['Feature1']、df['Feature2']、df['Feature3']）））））。tx=数据如果需要更多信息，请告诉我。
from sklearn.cluster import KMeans
import numpy as np
import pandas as pd
import nibabel as nib
import os, sys
from tqdm import tqdm

DIR = '(56x88x56)\\' 
flatten_list = []
for r,d,f in os.walk(DIR):
    for file in tqdm(f):
        path = DIR + file
        cp = nib.load(path).get_fdata()
        cp = np.array(cp)        
        array_flatten = np.ndarray.flatten(cp)
        flatten_list.append(array_flatten)

flatten_list = np.array(flatten_list)
kmeans = KMeans(n_clusters = 10, random_state = 0, verbose = 1).fit(flatten_list)
cluster_labels = kmeans.labels_
print(cluster_labels)