Python中的KMeans在变换变量后保留样本权重

Question

我的数据帧（df）由一个布尔值、连续变量和一个名为wt\u cnt的字段组成，该字段表示记录的权重。你知道吗

在我进行聚类之前，MinMaxScaler将应用于我的数据：

mms = MinMaxScaler()
mms.fit(data)
data_transformed = mms.transform(data)

KMeans程序如下：

sum_of_squared_distances = []
K = range(1,15)
for k in K:
    km = KMeans(n_clusters=k) #init model
    km = km.fit(data_transformed, sample_weight=None) #fit model
    sum_of_squared_distances.append(km.inertia_) #overall SSE 

但是我想保留我的第一个df（wt\u cnt）的初始字段，它指定了我的聚类分析的权重。这对我来说很难做到，因为转换的数据只是一个矩阵而不是df。关于如何最有效地做到这一点有什么建议吗？你知道吗

示例如下：

data = [[2,12669,5]
      ,[2,7057,1]
      ,[2,6353,1]
      ,[1,13265,3]
      ,[2,22615,1]      
      ,[2,9413,1]      
      ,[2,12126,2]      
      ,[2,7579,1]      
      ,[1,5963,1]]
df = pd.DataFrame(data,columns=['Nm','Frsh','wt_cnt'])
mms = MinMaxScaler()
mms.fit(df)
data_transformed = mms.transform(df)
sum_of_squared_distances = []
K = range(1,5)
for k in K:
    km = KMeans(n_clusters=k)
    km = km.fit(data_transformed, sample_weight=None)
    sum_of_squared_distances.append(km.inertia_)
plt.plot(K, sum_of_squared_distances, 'bx-')
plt.xlabel('k')
plt.ylabel('SS dists')
plt.show()