使用 Jaccard 相似度对分类数据进行聚类

Question

我正在尝试为分类数据构建聚类算法。

我已经阅读了不同的算法，例如 k-modes、ROCK、LIMBO，但是我想构建自己的一个，并将准确性和成本与其他算法进行比较。

我有 (m) 个训练集和 (n=22) 个特征

方法

我的方法很简单：

• 第 1 步：计算每个训练数据之间的 Jaccard 相似度，形成一个 (m*m) 相似度矩阵。
• 第 2 步：然后我执行一些操作以找到最佳质心并使用简单的 k-means 方法找到聚类。

我在步骤 1 中创建的相似度矩阵将在执行 k-means 算法时使用

矩阵创建：

total_columns=22
for i in range(0,data_set):
    for j in range(0,data_set):
        if j>=i:
            # Calculating jaccard similarity between two data rows i and j 
            for column in data_set.columns:    
                if data_orig[column][j]==data_new[column][i]:
                    common_count=common_count+1
            probability=common_count/float(total_columns)    
            fnl_matrix[i][j] =probability  
            fnl_matrix[j][i] =probability

我的fnl_matrix（6 行）的部分快照如下：

问题陈述：

我面临的问题是，当我创建 (m*m) 矩阵时，对于更大的数据集，我的性能会受到影响。即使对于具有 8000 行的较小数据集，相似度矩阵的创建也需要难以忍受的时间。有什么方法可以调整我的代码或对矩阵做一些具有成本效益的事情。

Answer 1

首先，您计算 Jaccard 的方式似乎效率低下（如果不是错误的话）。您正在使用 for 循环，这可能是在 Python 中做事最慢的方式。我建议您使用 Python 的 set 来存储行。集合提供了快速的交集，因为它们是哈希表，并且所有计算都是在 C/C++ 中执行的，而不是在 Python 本身中。想象一下r1 和r2 是两行。

r1 = set(some_row1)
r2 = set(some_row2)
intersection_len = len(r1.intersect(r2))
union_len = len(r1) + len(r2) - intersection_len
jaccard = intersection_len / union_len

集合的构建成本很高，因此您最初应该将所有行存储为集合。那么你应该摆脱

for i in range(0,data_set):
    for j in range(0,data_set):

部分也是如此。请改用itertools。假设 data_set 是一个行列表。

for row1, row2 in itertools.combinations(data_set, r=2):
    ...

这个东西运行得更快，不需要if j>=i 检查。这样你就得到了矩阵的上三角形。让我们画出最终算法的草图。 更新：添加numpy。

from scipy.spatial import distance
from itertools import combinations
import numpy as np


def jaccard(set1, set2):
    intersection_len = set1.intersection(set2)
    union_len = len(set1) + len(set2) - intersection_len
    return intersection_len / union_len

original_data_set = [row1, row2, row3,..., row_m]
data_set = [set(row) for row in original_data_set]

jaccard_generator = (jaccard(row1, row2) for row1, row2 in combinations(data_set, r=2))
flattened_matrix = np.fromiter(jaccard_generator, dtype=np.float64)

# since flattened_matrix is the flattened upper triangle of the matrix
# we need to expand it.
normal_matrix = distance.squareform(flattened_matrix)
# replacing zeros with ones at the diagonal. 
normal_matrix += np.identity(len(data_set))

就是这样。你有你的矩阵。从这一点开始，您可能会考虑将这段代码移植到 Cython（没有太多工作要做，您只需要以稍微不同的方式定义 jaccard 函数，即为局部变量添加类型声明）。比如：

cpdef double jaccard(set set1, set set2):
    cdef long intersection_len, union_len # or consider int 
    intersection_len = set1.intersection(set2)
    union_len = len(set1) + len(set2) - intersection_len
    return intersection_len / union_len

但我不确定这会正确编译（我的 Cython 经验非常有限）

附： 您可以使用numpy 数组而不是sets，因为它们提供了类似的交集方法并且也可以在 C/C++ 中运行，但是两个数组的交集大约需要 O(n^2) 时间，而两个哈希的交集-tables (set objects) 需要 O(n) 时间，前提是碰撞率接近于零。

Answer 2

解释的 Python 代码很慢。真的很慢。

这就是为什么好的 python 工具包包含大量 Cython 代码甚至 C 和 Fortran 代码（例如 numpy 中的矩阵运算），并且只使用 Python 来驱动整个过程。

如果您尝试尽可能多地使用numpy，您可能会大大加快您的代码速度。或者，如果您改用 Cython。

考虑使用基于距离的聚类算法，而不是对抗质心：

• 层次凝聚聚类 (HAC)，需要距离矩阵
• DBSCAN，可用于任意距离。它甚至不需要距离矩阵，只需要某个阈值的相似项目列表。
• K-medoids/PAM 当然也值得一试；但通常不会很快。