在python中聚类巨大的数据矩阵？

Posted 2023-03-12

【中文标题】在python中聚类巨大的数据矩阵？

【英文标题】：Clustering huge data matrix in python?

【发布时间】：2014-02-03 21:31:12

【问题描述】：

我想对 150 万种化合物进行聚类。这意味着有 1.5 x 150 万的距离矩阵...

我想我可以使用 pyTables 生成这么大的表，但现在 - 有了这样的表，我将如何对它进行聚类？

我想我不能只将 pyTables 对象传递给 scikit learn 聚类方法之一...

是否有任何基于 python 的框架可以占用我的大表并用它做一些有用的事情（谎言聚类）？也许以分布式方式？

【问题讨论】：

为什么一定要python？对于这种大小的数据，解决它的自然方法是通过专用软件在一个独立的过程中解决它。通常，这样的矩阵要么非常稀疏，要么通过应用一些权重阈值很容易被认为是稀疏的。在这种情况下，它也可以被认为是一个图聚类问题。

因为这是我问的问题。如果你不知道答案，你为什么要评论？

我碰巧知道一点关于集群的知识，如果你为大规模数据挖掘问题而沉迷于一种特定的软件语言，这似乎很奇怪。您是想解决问题还是只是喜欢刻薄？这是一个真正的问题——为什么它必须是 python？

它不一定是 python，但如果我的环境几乎都是基于 python 的，那就太好了。我不喜欢说 python 不适合处理大量数据，因为它不是真的，pytables 是最好的例子。它需要基于开源软件，需要在标准的无头 linux 机器上完成。而你只是说python不好（因为它是python还是什么？）但你没有说什么是好的解决方案。

【参考方案1】：

也许你应该看看不需要完整距离矩阵的算法。

我知道将算法表述为矩阵运算很流行，因为诸如 R 之类的工具在矩阵运算方面相当快（而在其他方面却很慢）。但是有很多方法不需要O(n^2) 内存...

【讨论】：

为了使这个答案具有建设性 - 你能举一些这种方法的例子吗？

我将添加 RNSC、Louvain 方法和 MCL。

Mean Shift, SLINK, CLINK, GMM-EM, Canopy preclustering, ...实际上我相信大多数聚类算法不是基于距离矩阵的。

从概念上讲，我想说的大多数（全部？）算法中都有距离或相似度矩阵，但没有必要跟踪所有这些。可以进行一次性的全部与全部计算并存储稀疏表示，或者构建某种索引。

【参考方案2】：

我认为主要问题是内存。 1.5 x 1.5 百万 x 10B（1 个元素大小）> 20TB 您可以使用 pyTables、Hadoop http://en.wikipedia.org/wiki/Apache_Hadoop 和 MapReduce 算法等大数据数据库。

这里有一些指南：http://strata.oreilly.com/2013/03/python-data-tools-just-keep-getting-better.html

或者使用带有 MapReduce 的 Google App Engine Datastore https://developers.google.com/appengine/docs/python/dataprocessing/ - 但现在它不是生产版本