用于混合数据类型（包括字符串）的 Java Matrix 库答案

【问题标题】：Java Matrix library for a mixture of data types ( including Strings )用于混合数据类型（包括字符串）的 Java Matrix 库
【发布时间】：2012-03-15 22:53:58
【问题描述】：

我正在寻找一个 Java Matrix 库来执行数据分析和实现聚类算法（如 K-means 或 DBSCAN）

我发现 Colt 和 Parallel Colt（在大型和小型数据集上表现最佳）但显然它们不支持 String Matrices 。数据集条目应该只是 Double 矩阵。

有什么建议吗？

提前感谢您的帮助。

【问题讨论】：

如果您知道任何 C 库，您可以通过 JNA 将其与 Java 挂钩。
我不熟悉这些算法的细节，但是有什么方法可以将您的字符串数据映射到所需的双精度数据，以使您能够理解结果（执行反向映射，如果这有意义吗？）。

标签： java dataset cluster-analysis k-means dbscan

【解决方案1】：

看看ELKI。它支持任意距离函数，并且已经具有余弦距离。所以它显然可以在文本数据上运行这些算法。

请注意，对于大多数应用程序，您需要将字符串数据转换为 TF-IDF 向量，因为余弦距离也在数值向量上定义。但是，这些向量通常是稀疏的，因此对稀疏向量进行优化处理是有回报的。

【讨论】：