（1）聚类结果评价
有很多指标，你自己上网搜具体的做法。
RMSSTD：这个指标是测量各群内对象的相似性程度，越高越好。
R-Square：量测聚类群体间的差异，相异越高越好。
还有一些描述聚类群体形状的参数不记得了，但前面两个已经够了。

如果某些特征你发现聚类效果不好，不就说明这个特征无用呗，无法作为聚类的依据。例如出生的月份无法作为报纸阅读群体划分的依据。

（2）参与聚类的变量不能够太多，太多会增加计算量，同时变量之间的相关性会严重损害聚类的效果，此外太多的变量也会让你最后的聚类描述变得很复杂。
我建议
1，紧紧围绕着你的聚类目的和需求去选择一些有意义的变量，可以凭直觉或者征求前辈的意见。聚类虽说是非监督的，但也要讲究最终的可解释性。
2，做一个变量相关性分析，挑选几个最优的，又不相关的变量进入。
3，主成分分析，主成分之后的变量是相互独立的，有助于聚类分析。
4，你也可以在变量的维度做聚类分析，在每一个变量组里，选一个代表性的变量。

（3）总是有一类的样本数量特别多（几万个，占80%+），而其它类别可能只有零星十几个，一千多个？
原因可能如下
1，这个可能跟分布有关，也许有一个类的分布很紧凑，另外一个类分布很稀疏。
2，kmeans是基于距离的分类，分类以距离为主，而不是数据本身的分布，你可以考虑在我说的（2）降维之后再使用一些基于密度的算法或者EM算法。
3，为毛是两类呢？我一般都会尝试K从5到10。

（4）异常点异常点对中心值的计算影响很大，所以会导致中心的偏移，从而影响聚类的效果。你可以
1，删除它，但是删除他的时候必须注意，必须要做多次K取不同值以及多次聚类结果之后，确定他是异常点再删，不然无济于事。
2，随机抽样吧，随机抽样的理论可以避免小概率事件发生（噪声是小概率事件）。
抽样后可以有两种方式：一，就以抽样的子样本的中心为中心，对全样本进行聚类。二，子样本聚类的结果，当成一个具体的已知的类，对全样本做监督分类来进行聚类。

BTW，聚类的变量要事先做标准化的，你做了木有捏？若你的变量之间的范围的广度都不一致，一个范围是[0，1000],一个范围是[0，1]，又因为kemans是基于距离的聚类，计算距离的时候，那个范围广的变量显然权重高，导致你的聚类结果基本上在他上面作划分，完全无视第二个变量的结果。

求奖励！求经验！求顶级互联网公司内推！

对，楼上说的很全面了。一般是推荐，先做变量聚集，每个变量类群中，挑选出1-r2最小的那个变量就可以，最终作为聚类分析的输入变量就不会太多。