矢量量化软件通常仅适用于数值数据。一个例子是 Python 的 scipy.cluster.vq.vq (here)，它执行矢量量化。大多数聚类软件也存在数值数据要求。
许多人指出，您始终可以将分类变量转换为一组二进制数值变量。但是，在处理单个分类变量可能有数百或数千个类别的大数据时，这会变得很尴尬。
显而易见的替代方法是更改距离函数。对于混合数据类型，从观测到“中心”或“码本条目”的距离可以表示为两部分总和，包括 (a) 数值变量的常用欧几里德计算和 (b) 不等式指标的总和对于分类变量，如第 125 页上的 here 建议的那样。
是否有任何具有这种广义距离函数的矢量量化开源软件实现？
【问题讨论】：
您不能“量化”分类数据。
回忆量化的定义 (Wiktionary)：
- 通过应用量子力学规则来限制一个量或系统状态的可能值的数量
- 用幅度只能有一组离散值的信号来近似连续变化信号
换句话说，量化意味着将连续变量转换为离散变量。矢量量化同样适用于多个变量。
但是，类别变量已经是离散的。
您似乎正在寻找一种基于原型的分类数据聚类算法（可能是 STING 和 COOLCAT？我不知道他们是否会产生原型）；但这不再是“矢量量化”了。
我相信很多时候，频繁项集挖掘实际上是寻找分类数据原型/原型的最佳方法。
至于允许其他距离函数的聚类算法 - 有很多。 ELKI有很多这样的算法，还有一个tutorial on implementing a custom distance。但这是 Java，而不是 Python。我很确定至少 一些 scipy 中的聚类算法也允许自定义距离。
现在 pythons scipy.cluster.vq.vq 是真的简单的代码。你根本不需要图书馆。这个函数的主要工作是包装一个运行速度比python代码快得多的C实现......如果你看py_vq版本（当C版本不能使用时使用），真的是很简单的代码...... . 本质上，对于每个对象obs[i]，它都会调用这个函数：
code[i] = argmin(np.sum((obs[i] - code_book) ** 2, 1))
现在您显然不能将欧几里得距离与分类码本一起使用；但是将这条线翻译成您想要的任何相似性并不难。
较难的部分通常是构建码本，而不是使用它。
【讨论】：
scipy.cluster.vq.vq 量化算法实现的轻微扩展/概括。
scipy.cluster.vq.vq只是码本的应用；一旦你定义了相似性，这对你自己来说是微不足道的。更难的部分通常是构建密码本......
对于机器学习和聚类算法，您还可以找到有用的scikit-learn。为了实现你想要的，你可以看看他们对DBSCAN的实现。
在他们的文档中，您可以找到：
sklearn.cluster.dbscan(X, eps=0.5, min_samples=5, metric='minkowski', algorithm='auto', leaf_size=30, p=2, random_state=None)
这里的X 可以是您已经计算的距离矩阵（并传递metric='precomputed'）或标准的samples x features 矩阵，而metric= 可以是一个字符串（带有已实现@987654323 之一的标识符@) 或一个可调用的 python 函数，它将以成对的方式计算距离。
如果你找不到你想要的指标，你总是可以将它编程为一个 python 函数：
def mydist(a, b):
return a - b # the metric you want comes here
然后用metric=mydist 调用dbscan。或者，您可以预先计算距离矩阵，并将其传递给聚类算法。
同一个库中还有一些其他的聚类算法，看看here。
【讨论】：