优势

高效性

单遍聚类的核心思想是对数据进行一次遍历，在遍历过程中动态地进行聚类，时间复杂度相对较低，通常为 ，非常适合处理大规模数据。对于亿级规模的企业数据，单遍聚类可以在较短的时间内完成初步的聚类和去重工作。

简单易实现

单遍聚类算法的原理简单，实现起来相对容易，不需要复杂的参数调整和迭代过程。这使得在面对大规模数据处理时，开发和维护成本较低。

局限性

聚类质量依赖初始顺序

单遍聚类的结果会受到数据输入顺序的影响。如果数据的初始顺序不同，可能会得到不同的聚类结果。这在一定程度上影响了聚类的稳定性和准确性。

缺乏全局优化

单遍聚类是一种贪心算法，它只考虑当前数据点与已有聚类的相似度，而没有从全局的角度进行优化。因此，可能会导致一些相似的数据点没有被正确地聚到同一类中，影响去重的效果。

规避局限性的方法

规避聚类质量依赖初始顺序的方法

多次随机排序处理

原理：对原始数据进行多次随机排序，每次排序后都进行单遍聚类，最后综合多次聚类的结果。例如，可以通过多数投票的方式确定每个数据点最终所属的聚类。

预排序数据

原理：根据数据的某些特征对数据进行预排序，使得相似的数据点尽可能靠近。例如，对于企业数据，可以按照企业名称的字母顺序、统一社会信用代码的数值顺序等进行排序。

规避缺乏全局优化的方法

后处理优化

原理：在单遍聚类完成后，对聚类结果进行后处理。例如，可以计算每个聚类的中心，然后重新评估每个数据点与所有聚类中心的相似度，将数据点重新分配到更合适的聚类中。

结合其他聚类算法

原理：将单遍聚类作为初步聚类方法，然后使用更具全局优化能力的聚类算法（如 K - Means、DBSCAN 等）对初步聚类结果进行细化。例如，先使用单遍聚类快速将数据分为大致的类别，然后使用 K - Means 对每个类别进行进一步的细分和优化。