sklearn 分类数据聚类

Question

我正在使用 sklearn 和凝聚聚类功能。我有一个混合数据，其中包括数字和名义数据列。我的标称列具有“早上”、“下午”、“晚上”、“晚上”等值。如果我通过分配像 0,1,2,3 这样的整数值将我的标称数据转换为数字；欧式距离将在“夜间”和“早晨”之间计算为 3，但返回值应为 1。

X = pd.read_csv("mydata.csv", sep=",", header=0, encoding="utf-8")
X = StandardScaler().fit_transform(X)
print("n_samples: %d, n_features: %d" % X.shape)

km = AgglomerativeClustering(n_clusters=5, affinity='euclidean', linkage='average')
km.fit(X)

print("k = %d,  Silhouette Coefficient: %0.3f" % (x,
   metrics.silhouette_score(X, km.labels_, sample_size=None)))

这是我的代码。

如何在 sklearn 中自定义距离函数或将我的标称数据转换为数字？

Answer 1

此问题在机器学习应用程序中很常见。您需要将一个类别定义为基本类别（不管是哪个类别），然后为每个其他类别定义指标变量（0 或 1）。换句话说，创建 3 个新变量，分别称为“Morning”、“Afternoon”和“Evening”，并为每个观测值的类别分配一个。如果是夜间观察，请将这些新变量中的每一个都保留为 0。

Answer 2

我认为您有 3 个选项可以将分类特征转换为数值：

1. 使用OneHotEncoder。您会将分类特征转换为四个新列，其中只有一个 1 和其他 0。这里的问题是“早上”和“下午”之间的区别与“早上”和“晚上”相同。
2. 使用OrdinalEncoder。您将分类特征转换为一列。 “早上”到 1，“下午”到 2 等等。“早上”和“下午”之间的差异会小于“早上”和“晚上”，这很好，但“早上”和“晚上”之间的差异会做到最好，但可能不是你想要的。
3. 使用我称之为 two_hot_encoder 的转换。它类似于 OneHotEncoder，行中只有两个 1。 “早上”和“下午”之间的差异将与“早上”和“晚上”之间的差异相同，并且小于“早上”和“晚上”之间的差异。我认为这是最好的解决方案。检查代码。

代码：

def two_hot(x):
    return np.concatenate([
        (x == "morning") | (x == "afternoon"),
        (x == "afternoon") | (x == "evening"),
        (x == "evening") | (x == "night"),
        (x == "night") | (x == "morning"),
    ], axis=1).astype(int)

x = np.array([["morning", "afternoon", "evening", "night"]]).T
print(x)
x = two_hot(x)
print(x)

输出：

[['morning']
 ['afternoon']
 ['evening']
 ['night']]
[[1 0 0 1]
 [1 1 0 0]
 [0 1 1 0]
 [0 0 1 1]]

然后我们可以测量距离：

from sklearn.metrics.pairwise import euclidean_distances
euclidean_distances(x)

输出：

array([[0.        , 1.41421356, 2.        , 1.41421356],
       [1.41421356, 0.        , 1.41421356, 2.        ],
       [2.        , 1.41421356, 0.        , 1.41421356],
       [1.41421356, 2.        , 1.41421356, 0.        ]])