我从不同来源的 FB、Twitter、Linkedin 收集数据，然后将它们制成结构化格式。现在的结果是：我有一个包含 10000 行（10000 人）的 csv 文件，相关的数据是关于他们的姓名、年龄、兴趣和购买习惯。
我真的被困在这一步：分类或聚类。对于分类，我真的没有预定义的类或模型供我的用户对其进行分类。
对于聚类：我开始计算相似度和 KMeans，但仍然无法得到我想要的结果。在进入协作过滤的下一步之前，我该如何决定选择什么？
【问题讨论】：
标签： classification cluster-analysis
首先，您必须了解clustering 是pre-processing 活动/任务。聚类的思想是识别具有相似属性的对象并将它们分组。聚类过程可以用放牛来理解。其中骑师将松散的牛群（读取数据点）分组。
注意：如果您正在查看分区聚类算法系列，包括K-means、k-modes、k-prototype 等。算法k-means 仅适用于数值数据。 K-modes 仅适用于分类数据，k-prototype 适用于数值和分类数据。
问题：数据是否经过预处理？如果答案是否定的，那么您可以尝试以下步骤；
数据（列值）都是分类（=文本）格式还是数字或混合格式？
一个。如果都是分类的，则对它们进行离散化或分箱或区间缩放。
b.如果混合，则仅离散化或 bin 或区间缩放分类值
c。对数值和分类数据执行缺失值和异常值处理。这将有助于保持最大方差并降低维度。
d。将数值标准化为中位数为零。
现在应用合适的聚类算法（根据您的问题）来确定模式。一旦你找到了这些模式，你就可以给它们贴上标签。一旦识别出的模式被标记，此后或随后可以使用分类算法将classify任何新的传入数据点归入适当的类别。
【讨论】：