python中分类数据的层次聚类

Question

我有一个包含字符串值的分类属性。其中三个包含dayname（mon---sun）monthname和time interval（morning-午后-傍晚），另外两个是我前面提到的地区和街道名称。其次是性别、角色、评论（这是一个预定义的固定字段，有good、bad、strong agree等值）姓氏和first我的名字目的是将它们聚集在一起并将其形象化。我用这个WEKA应用了k-均值聚类，但是它不起作用。 现在我希望对它应用层次聚类。我发现了这个密码：

import scipy
import scipy.cluster.hierarchy as sch
X = scipy.randn(100, 2)     # 100 2-dimensional observations
d = sch.distance.pdist(X)   # vector of (100 choose 2) pairwise distances
L = sch.linkage(d, method='complete')
ind = sch.fcluster(L, 0.5*d.max(), 'distance')

然而，上面代码中的X是数字；我有分类数据。 有什么方法可以让我用大量的分类数据来计算距离吗？ 换句话说，我可以使用字符串值的分类数据来查找距离吗？ 我会用这个距离来表示sch.linkage(d, method='complete')

Answer 1

另一种可能性是使用汉明距离。在

Y = pdist(X, 'hamming')

Computes the normalized Hamming distance, or the proportion of those vector elements between two n-vectors u and v which disagree. To save memory, the matrix X can be of type boolean.

如果你的分类数据由一个字符表示，例如：“m”/“f”，那么它可能就是你要找的。在

https://en.wikipedia.org/wiki/Hamming_distance

https://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.pdist.html#scipy.spatial.distance.pdist

Answer 2

我想我们已经确定了问题所在：您将X值保持原样，即字符串数据。您可以将这些传递给pdist，但还必须为距离度量提供一个2进制函数（2个输入，数字输出）。在

最简单的方法是相等的分类有0个距离；其他的都是1。你可以用

d = sch.distance.pdist(X, lambda u, v: u != v)

如果您想知道其他类的区别，只需编写逻辑以返回所需的距离，将其包装在一个函数中，然后将函数名传递给pdist。我们对此无能为力，因为您没有告诉我们您的类或模型语义。在

这能让你动起来吗？在