网络数据聚类的预处理

Question

我打算对网络数据进行聚类分析（使用k-means算法），这些数据有像IP地址和端口号这样的列。虽然端口号是整数，比如说80号端口和81号端口之间的关系，并不比80号端口和1800号端口之间的关系更近。所以我觉得不应该直接把它们当作整数来使用。

我觉得使用DictVectorizer也不合适，因为端口号有65535个，所以我需要换一种方法。IP地址也有和端口号一样的问题。

有没有什么办法可以解决这个问题，不管是用scikit-learn还是不使用，或者是用k-means还是不使用？

Answer 1

k-means算法需要计算均值。

那端口80和81的均值是多少呢？是80.5吗？

不是的，k-means算法只适用于连续和线性的属性。否则，方差（k-means的优化标准）和均值就没有意义了...

你可以尝试一些变通的方法，比如把每个端口当作一个单独的属性。但对于二进制数据，k-means同样不适用。

可以使用其他算法。如果你已经找到了衡量相似性的方法，基于距离的算法是可以的。