Python KMeans 橙色框架

Question

我打算使用orange来进行k均值聚类。我看过一些教程，但还有几个问题想问：

我正在处理高维向量的聚类。

1) 有没有实现余弦距离的功能？

2) 我不想给空值填零。我尝试在空字段中不填零，但出现了这个错误：

SystemError: 'orange.TabDelimExampleGenerator': the number of attribute types does not match the number of attributes

我该如何表示一个空值？

3) 有没有办法在示例表中加入一个“ID”？我想用ID来标记我的数据（不是分类），这样方便参考。我不希望ID列成为我数据的正式部分。

4) 有没有办法以不同的方式输出k均值聚类的结果？我更希望结果是这个格式：

cluster1: [ <id1>, <id2>, ...]
cluster2: [ <id3>, ... ]
rather than just [1, 2, 3,1 , 2, ... ]

谢谢！

Answer 1

我觉得原版的KMeans算法不太适合用来计算余弦距离。因为余弦距离不是在欧几里得空间里，你需要定义一个余弦距离的中心点，而且你不能保证算法一定会收敛。不过，如果你的特征向量都是正数的话，你可以试试看。更多信息可以参考这个链接：为KMeans添加用户自定义距离函数的API

Answer 2

在一个问题里问四个问题实在是太尴尬了——为什么不把问题简化成一个呢？这样做也不会有什么损失；-）。不过，关于“我怎么表示一个空值？”这个问题，可以看看文档中关于Orange.Value实例的value属性的说明：

如果值是连续的或未知的，就不需要描述符。对于未知的情况，结果会是字符串'?'、'~'或'.'，分别表示不知道、不在乎和其他。

我不太确定你说的“空”是指“不知道”还是“不在乎”，不过无论如何你都可以表示这两种情况。不过要注意距离的问题——在文档的另一页中提到：

未知值只有在使用欧几里得距离和Relief距离时才能正确处理。对于其他距离度量，未知值和已知值之间，或者两个未知值之间的距离总是0.5。

在后面这页中列出的距离有汉明距离、最大距离、曼哈顿距离、欧几里得距离和Relief距离（Relief距离类似于曼哈顿距离，但能正确处理未知值）——没有提供余弦距离：你需要自己编写代码来实现。

至于（4），只需写一点Python代码，你就可以以任何你想要的方式格式化结果。KMeans对象的.clusters属性是一个列表，长度正好等于数据实例的数量；如果你想要的是一个包含数据实例的列表的列表，例如：

def loldikm(data, **k):
  km = orange.KMeans(data, **k)
  results = [[] for _ in km.centroids]
  for i, d in zip(km.clusters, data):
    results[i].append(d)