在分类/聚类任务中将文本值更改为 int

Posted 2023-03-12

【中文标题】在分类/聚类任务中将文本值更改为 int

【英文标题】：Change text values to int in classification/clustering task

【发布时间】：2020-05-06 21:44:22

【问题描述】：

有一个任务是在 R 中使用包含分类文本值（如“蓝色”、“红色”）的数据集进行聚类。 k-means 算法虽然只接受数值，所以我需要将这些文本类别转换为 int 类别。是否有任何 1 线解决方案？或者其他？

         Attribute1 Attribute2                     Attribute1 Attribute2
Instance1  "blue"     "red"         =>  Instance1       1          2
Instance2  "green"    "blue"            Instance2       3          1

a[,1] <- sapply(a[,1],switch,"blue"=1,"red"=2,"green"=3)

完成任务，但对于“a”数据框的第一列

x_num <- as.numeric(x)

与众不同，但看起来很像。

【问题讨论】：

你不能那样做，如果你把 "blue", "red" 转换成 1,2 你是在暗示某种我猜不是这样的顺序？

你应该做one-hot编码，或者尝试高尔距离进行聚类，例如r-bloggers.com/clustering-mixed-data-types-in-r

是的，非常感谢。这就是我一直在寻找的

很高兴它有帮助:)

【参考方案1】：

因此，当我们进行聚类分析时，我们希望使我们的聚类彼此尽可能远离。我想到的方法 太直接了，而且效果不好（如果实施）。好的解决方案是应用一些可以处理混合数据类型的距离度量。 cmets中提到的是gower，是通用的。二进制类别也存在 Jaccard 距离。 高尔解决方案（R）的例子：

library(cluster)
gower.dissimilarity.mtrx <- daisy(DataFrame, metric = c("gower"))

这里的函数是'daisy'，虽然也有'dist'，这使得一些东西相同，但使用欧几里得方法。 more on topic