在 python 中使用 k-means 进行聚类

Posted 2023-03-12

【中文标题】在 python 中使用 k-means 进行聚类

【英文标题】：Clustering using k-means in python

【发布时间】：2012-03-24 15:03:47

【问题描述】：

我有一个由 user_id tag_id 形式的行组成的文档 d1。 还有另一个文档 d2 由 tag_id tag_name 组成 我需要生成具有相似标记行为的用户集群。 我想用python中的k-means算法试试这个。 我对此完全陌生，无法弄清楚如何开始。 谁能指点一下？

我是否需要首先使用 d1 和他的标签词汇为每个用户创建不同的文档？ 然后在这些文档上应用 k-means 算法？ d1 中有大约 100 万用户。我不确定我的想法是否正确，创建了 100 万个文件？

【参考方案1】：

由于您拥有的数据是二进制且稀疏的（特别是，并非所有用户都标记了所有文档，对吧）？所以我根本不相信 k-means 是正确的方法。

无论如何，如果您想尝试 k-means，请查看变体，例如 k-medians（不允许“半标记”）和凸/球形k-means（据说它与余弦距离等距离函数更有效，在这里看起来更合适）。

【参考方案2】：

正如@Jacob Eggers 所提到的，您必须对数据进行非规范化以形成确实是稀疏矩阵的矩阵。 在 python 中使用 SciPy 包作为 k 手段。见

Scipy Kmeans

示例和执行。 另请查看Kmeans in python (***)，了解有关 python kmeans 聚类的更多信息。

【参考方案3】：

首先，您需要对数据进行非规范化，以便拥有一个像这样的文件：

userid tag1 tag2 tag3 tag4 ....
0001   1    0    1    0    ....
0002   0    1    1    0    ....
0003   0    0    1    1    ....

然后你需要循环遍历 k-means 算法。这是来自 ml 类的 matlab 代码：

% Initialize centroids
centroids = kMeansInitCentroids(X, K);
for iter = 1:iterations
    % Cluster assignment step: Assign each data point to the
    % closest centroid. idx(i) corresponds to cˆ(i), the index 
    % of the centroid assigned to example i
    idx = findClosestCentroids(X, centroids);

    % Move centroid step: Compute means based on centroid
    % assignments
    centroids = computeMeans(X, idx, K);
end

【参考方案4】：

对于稀疏 k-means，请参阅下面的示例 scikit-learn clustering. 关于那里有多少个 id，每个用户平均有多少个， 您要查找多少个集群？即使是粗略的数字， 例如100k ids，平均每个用户 10 个，100 个集群， 可能会导致某人在该范围内完成聚类 （或者说“不可能”）。

MinHash 可能比 k-means 更适合您的问题； 请参阅第 3 章，查找相似项目， Ullman, Mining Massive Datasets; 还有SO questions/tagged/similarity+algorithm+python。