当我们有数字和分类数据时，使用哪种算法来解决聚类问题？

Question

我对聚类几乎是个新手，对使用的方法有点困惑。我有一组建筑物，我想根据它们的能耗、大小、类型和邻域对它们进行聚类。我使用 k-means 方法和 "get_dummies" 方法来处理我的分类数据。

请问这样处理分类数据是否正确？（我也尝试简单地将它们映射到 1、2、3 等数字，并在聚类之前对它们进行归一化，但没有收到合适的结果）如果您建议另一种算法（随机森林、svm 或其他任何算法），请提供 link 或网站供我学习，我将不胜感激。

另一个问题是，如果我想让我的一个特征对这个聚类有更大的影响，是否可以在归一化后乘以2然后运行聚类部分？

谢谢。

** "get_dummies" 是什么意思？

Answer 1

我想差不多就是这样了！使用标签编码器或单热编码将非数字转换为数字。

import pandas as pd
import numpy as np
from sklearn.preprocessing import LabelEncoder# creating initial dataframe
bridge_types = ('Arch','Beam','Truss','Cantilever','Tied Arch','Suspension','Cable')
bridge_df = pd.DataFrame(bridge_types, columns=['Bridge_Types'])# creating instance of labelencoder
labelencoder = LabelEncoder()# Assigning numerical values and storing in another column
bridge_df['Bridge_Types_Cat'] = labelencoder.fit_transform(bridge_df['Bridge_Types'])
bridge_df

结果：

  Bridge_Types  Bridge_Types_Cat
0         Arch                 0
1         Beam                 1
2        Truss                 6
3   Cantilever                 3
4    Tied Arch                 5
5   Suspension                 4
6        Cable                 2

或者...

import pandas as pd
import numpy as np# creating initial dataframe
bridge_types = ('Arch','Beam','Truss','Cantilever','Tied Arch','Suspension','Cable')
bridge_df = pd.DataFrame(bridge_types, columns=['Bridge_Types'])# generate binary values using get_dummies
dum_df = pd.get_dummies(bridge_df, columns=["Bridge_Types"], prefix=["Type_is"] )# merge with main df bridge_df on key values
bridge_df = bridge_df.join(dum_df)
bridge_df

请记住，如果您有大量标签，那么在将所有内容都设为数字后，您的数据将会非常稀疏。另外，是的，您可以 'game it' 将一项功能加倍。这是基本示例。

import numpy as np
data = np.asarray([np.asarray(DF['Feature1']),np.asarray(DF['Feature1']),np.asarray(DF['Feature2'])])

这似乎有点奇怪，我在实践中从未这样做过，但它应该会给你想要的结果。你知道什么......测试它，看看你如何相处。最后，当您有空闲时间时，请通读下面 link 上的内容。你会从中学到很多东西 link。

https://scikit-learn.org/stable/modules/clustering.html

当我们有数字和分类数据时，使用哪种算法来解决聚类问题？

Which algorithm to use for a clustering problem when we have numerical and categorical data?

python

cluster-analysis

k-means

random-forest

scikit-learn