对大数据集进行聚类（定量/定性值）

Question

我有一个由 54 000 行和几列 (7) 组成的数据集。我的值是数字和字母数字（定性和定量变量）。我想使用 R 中的函数 hclust 对其进行聚类。

举个例子：

X <- data.frame(rnorm(54000, sd = 0.3),
                rnorm(54000, mean = 1, sd = 0.3),
                sample( LETTERS[1:24], 54000, replace=TRUE),
                sample( letters[1:10], 54000, replace=TRUE),
                round(rnorm(54000,mean=25, sd=3)),
                round(runif(n = 54000,min = 1000,max = 25000)),
                round(runif(54000,0,200000)))
colnames(X) <- c("A","B","C","D","E","F","G") 

如果我像这样使用 hclust 函数：

hclust(dist(X), method = "ward.D")

我收到此错误消息：

Error: cannot allocate vector of size 10.9 Gb

有什么问题？我正在尝试创建一个 54k * 54k 矩阵，该矩阵太大而无法由我的 PC（4Go RAM）计算。我读到自 R3.0.0 以来，该软件现在为 64 位（能够与我的示例中的 2.916e+09 矩阵一起使用），因此限制来自我的计算机。我已经在 stats/fastcluster/flashClust 中尝试使用 hclust 并遇到同样的问题。

在这个包中，hclust 是这样描述的：

hclust(d, method="complete", members=NULL)
flashClust(d, method = "complete", members=NULL)

d   a dissimilarity structure as produced by dist.

我们总是需要一个dist 矩阵来使这个函数工作。我还尝试使用以下方法为 R 会话设置更高的计算机限制：

memory.limit(size = 4014)
memory.size(max = TRUE)

问题：

是否可以在不使用此dist() 矩阵的情况下使用层次聚类（或类似的方式来聚类数据）用于具有 R 的定量/定性数据集？

编辑：

关于k-means：

k-means 方法适用于由数值组成的大型数据集。在我的示例中，我得到了数字和字母数字值。我试图将我的定性变量转换为二进制数值变量来执行 k-means 的过程：

第一个数据帧（示例）：

Col1     Col2  Col3
1   12 43.93145 Alpha
2   45 44.76081  Beta
3   48 45.09708 Gamma
4   31 45.42278 Alpha
5   12 46.53709 Delta
6    7 39.07841  Beta
7   78 49.60947 Alpha

如果我把它转换成二进制变量，我会得到这个：

Col1     Col2 Alpha Beta Gamma Delta
1   12 44.29369     1    0     0     0
2   45 43.90610     0    1     0     0
3   48 44.82659     0    0     1     0
4   31 43.09096     1    0     0     0
5   12 42.71190     0    0     0     1
6    7 43.71710     0    1     0     0
7   78 42.24293     1    0     0     0

如果我只有几个模态也没关系，但在一个真实的数据集中，我们可以为 50k 行的基础获得大约 10.000 个模态。我不认为 k-means 是这类问题的解决方案。

Answer 1

从阅读您的问题来看，似乎有两个问题：

1. You have a fairly large amount of observations for clustering
2. The categorical variables have high cardinality

我的建议：

1) 您可以只取样并使用fastcluster::hclust，或使用clara。 可能在整理出 2) 之后，您可以使用更多的观察结果，无论如何使用样本都可以。尝试对类别进行分层抽样。

2)您基本上需要以数字格式表示这些类别，而不需要多出 10000 列。您可以使用 PCA 或它的离散版本。 几个问题处理这个问题： q1, q2