作者简介

朱德军，数据科学学院数据科学与大数据技术专业教师。国家信息化认证软件开发工程师，人力资源和社会保障部认证高级软件开发工程师，工业和信息化部认证大数据技术应用高级工程师。参与多个数据分析项目，主编及参编教材2本，研究方向为分布式存储与计算。

闵卓妍，数据科学学院数据科学与大数据技术专业2021级学生。掌握Python、R、Matlab等工具的数据分析技术，擅长机器学习、文本分析与统计建模，拥有多次竞赛获奖经历及企业实习经验。

还在为“吃什么才健康”而纠结，为新一年的健康管理寻找科学起点吗？2025年，国家卫建委提出“体重管理年”理念，倡导人们摒弃盲目跟风的饮食方式，转向基于科学、个性化、量身定制的健康方案。毕竟，在追求健康的道路上，科学指引才是关键。

是该低碳水、高蛋白，还是全靠蔬菜水果撑起一天营养？健康饮食的秘密，其实就藏在数据里！别担心，今天给大家介绍一个机器学习的神奇工具——聚类分析，它能帮助各位揭开食物的“营养密码”，让各位的饮食更加科学、健康。这里没有复杂的公式，只有看得懂的科学、用得上的建议！从现在做起，用数据驱动健康，让“体重管理年”的每一餐都吃得更加明白、更加健康！

1. 传统饮食分析的“痛点”

• 过去研究多聚焦“单一食物”：比如“苹果富含维生素C”、“牛奶补钙”……

• 但真实饮食是多种食物的组合，个体差异大，难以系统分析。

• 慢性病（如肥胖、糖尿病）高发，亟需个性化、数据驱动的饮食指导。

2. 机器学习来“破局”

• 聚类分析（Clustering）是一种无监督学习方法，能自动发现数据中的“隐藏分组”。

• 就像把一堆杂乱的食物，按营养“性格”自动分类，找出“高热量派”、“高纤维派”等。

本数据来源于公开的食物营养成分数据库，水果、蔬菜、谷物、肉类、乳制品、加工食品等10大类。数据字段包括热量、脂肪、蛋白质、谷物含量、蔬菜类、饱和脂肪等指标，对数据的缺失值、异常值等进行处理后，如表1所示：

图1 卡路里分布直方图

图1所示的卡路里分布直方图，就像给食物卡路里办了场“人气投票”！横轴是卡路里区间，纵轴是“投进这个卡区间的食物数量”，0 - 250kcal这个“低卡选手区”，柱子高得像要戳破天花板，说明多数食物都是“轻量级小可爱”，日常吃它们能放心搞健康搭配；可500kcal往上的“高卡神秘区”，虽然食物数量少得可怜（柱子矮到快隐身），但依然倔强存在着——这提醒各位：想吃出健康，得盯紧高卡路里食物的“出场次数”，别让它们偷偷霸占餐盘。

图2 按食品类别分布的卡路里

如果把卡路里比作食物的“能量值”，图2所示的箱型图就像一场“能量选美大赛”！水果和蔬菜是“轻量级选手”，中位数卡路里悄悄躲在100千卡/100g以下，妥妥的“低卡小可爱”，日常想健康吃它们准没错。肉类和乳制品可是“重量级选手”，中位数甚至冲到200～300千卡/100g，而且能量波动大得惊人，有的选手胖得圆滚滚，有的又有点克制，堪称“高卡界的神秘大咖”。

从图中的波动范围看，蔬菜水果的“能量带”窄得像条线，而肉类和乳制品的“能量带”宽得能跑马——这说明不同食物的能量密度差距很大！所以，要是想揪出“高热量饮食模式”，光看单个食物一定不够，得把不同类别的食物组合起来“聚类分析”：各位的饮食是“轻量级战队”还是“重量级天团”，卡路里说了算！

图3 蛋白质与碳水化合物含量的对比

图3是“蛋白质和碳水化合物的约会地图”，就像是给食物做了场“营养成分定位秀”！纵轴是肌肉担当「蛋白质」天团，横轴是能量引擎「碳水化合物」小队，每个蓝点就是一种食物的“营养坐标卡”

图中左边碳水少的区域（横轴快贴0），蛋白质含量从“打酱油小透明”（接近0）到“肌肉大佬”（10g+）都有，说明有的食物碳水藏得严实，蛋白质却能放肆冲高；再看右边碳水多的区域（横轴5、6甚至8），蛋白质含量普遍较低（接近0），仿佛碳水越多，蛋白质越没存在感。

这说明碳水和蛋白质在食物里玩“跷跷板游戏”：碳水越多，蛋白质往往越少；碳水躲起来，蛋白质就能蹦得老高。所以大家搭配饮食时，要是想补蛋白质，得留意碳水别太多；要是吃高碳水食物，得额外搭点高蛋白的，让营养更均衡。

图4 脂肪含量的直方图

图4是食物脂肪含量直方图，最左边那根“高到快冲破天际”的柱子（0 - 35g区间），1400+的食物扎堆在这儿，妥妥的“低脂清流派对”！这些“瘦身小可爱”才是食物界的“扛把子”，数量多到能组个超级天团，但往右边一看，脂肪含量超过100g的食物，数量稀稀拉拉，像极了“油光满面的少数派”，有的甚至孤独到“一根柱子代表一种食物”，堪称“脂肪界的独行侠”。

这说明脂肪含量在食物里玩“金字塔游戏”：越低脂，食物数量越多；越高脂，数量断崖式下跌。所以大家吃东西时，要是想控制脂肪摄入，优先选左边“低脂天团”的成员准没错；要是不小心吃了右边“高脂独行侠”，可得悠着点，别让它们在餐盘里“喧宾夺主”。

图5 卡路里与其他营养成分的关系

图5是卡路里与其他营养成分的“社交圈”合影，横轴是卡路里的“人气值”（标准化后），纵轴是其他营养成分的“活跃度”（同样标准化）。图中不同颜色代表不同营养成分家族：蓝色是饱和脂肪、橙色是谷物、绿色是全谷物、红色是蔬菜。

从图中可以看到，这些“家族成员”与卡路里的互动模式各有不同：有些家族随着卡路里升高，自身营养成分也更丰富（表现为点向上延伸）；有些则相对“佛系”，无论卡路里高低，营养成分波动不大（点集中在中间区域）；还有些在卡路里较高时，营养成分反而减少（点向下倾斜）。这说明卡路里与不同营养成分的关系并非简单的“一荣俱荣”，而是各有特点。

表2是常见的聚类算法对比，表现各有特色。

K-means（效率派）：干活像闪电，大数据量它也不喊累，但缺点是得先猜好要分几组（预设簇数），猜不准容易踩坑，就像点外卖前得先定“选几家店”，选错了菜就乱套。

层次聚类（强迫症艺术家）：非得把数据整成“树状谱系图”才罢休，不用你猜组数，最后结构看得明明白白，但干活慢悠悠，要是遇到“怪胎数据”（异常值），谱系直接乱套，堪称“精致但娇气”。

DBSCAN（灵活应变王）：靠“人气密度”找群体，还能把凑热闹的“噪声”挑出来，就算数据分布歪瓜裂枣，它也能找到规律，但参数调不好，聚类结果能“翻车”，得反复试参数，属于“能力强但难伺候”。

选算法就像组队干活：要速度选K-means，要美观选层次聚类，要抗压选DBSCAN——当然，得先搞清楚数据“脾气”再选，别让算法“性格”和需求撞车。

使用数据进行三种聚类算法的聚类结果图如下：

1. 高热量高脂肪类 —— “能量炸弹派”

2. 低热量高纤维类 —— “肠道守护派”

3. 高碳水化合物低脂类 —— “能量供应派”

1. 揭示饮食模式的“互补性”

三类食物在饮食结构中相互平衡：

• 高碳水提供能量

• 高纤维调节代谢

• 高脂肪适量补充必需脂肪酸

2. 支持个性化营养推荐

可用于：

• 个体饮食评估（如：你是否“高脂摄入超标”？）

• 慢病人群饮食干预（如：糖尿病患者应减少精制碳水）

• 公共卫生政策制定（如：学校食堂膳食结构优化）

1.均衡搭配，不偏食

每餐尽量包含：主食（高碳水）+ 蛋白质 + 蔬菜（高纤维）

2.控制“能量炸弹”摄入频率

油炸、加工食品每周不超过1-2次，避免“隐形脂肪”。

3.主食升级，优选全谷物

把白米饭换成糙米、燕麦、藜麦等，稳定血糖，营养更全面。

健康饮食并非苦行僧般的自我约束，而是一场关于平衡的科学艺术。通过聚类分析，已经为大家揭开了食物的“营养密码”，数据显示：没有绝对的饮食禁忌，只有不合理的搭配。对于大多数普通人而言，不必等待复杂的高科技介入，只需掌握简单的“聚类思维”——在动筷前多思考一下餐盘中“三大营养素”的比例是否均衡，这种微小的认知改变，就是迈向健康生活的关键一步。

当然，随着人工智能技术的飞速发展，个性化健康管理的未来已经触手可及。在数据科学学院智研研究院，师生团队正积极探索“饮食建议智能体”的开发。通过结合聚类分析、深度学习等前沿算法，可以将个体的年龄、体重、基因特点乃至实时健康指标（如血糖、血脂）纳入考量。未来的AI助手不仅能根据各位的身体特质推荐易吸收的营养组合，还能通过智能餐盘实时监测，给出“今日热量偏高，明日需多补蔬菜”的精准反馈，真正实现量身定制的科学饮食。

让科学不再停留于理论，而是融入每个人的日常。从今天起，试着用“数据眼光”审视自己的每一餐。无论是依靠当下的聚类思维，还是拥抱未来的AI智能体，目标始终一致：用数据驱动健康，让“体重管理年”的每一口食物都充满智慧与活力。

[1] Kuang L, Wang Z, Zhang J, et al. Factor analysis and cluster analysis of mineral elements contents in different blueberry cultivars[J]. Journal of Food Composition and Analysis, 2022, 109: 104507.

[2]向海欧.食品营养成分分析现状及优化对策研究[J].食品安全导刊,2024,(33):135-137.

[3]周万珍,阚景森.基于k-means与Apriori算法的食物营养成分分析[J].科学技术与工程,2018,18(17):211-216.