执行K表示聚类的问题

Question

我正在尝试将CS​​V文件中的以下数据与K进行聚类。

Sample1,Sample2,45
Sample1,Sample3,69
Sample1,Sample4,12
Sample2,Sample2,46
Sample2,Sample1,78

它基本上是一张图，其中“样本”为节点，数字为“边”（权重）。

我读取文件如下：

fileopening = fopen('data.csv', 'rU')
reading = csv.reader(fileopening, delimiter=',')

L = list(reading)

我使用了以下代码： https : //gist.github.com/betzerra/8744068

这里基于以下内容构建集群：

num_points, dim, k, cutoff, lower, upper = 10, 2, 3, 0.5, 0, 200
points = map( lambda i: makeRandomPoint(dim, lower, upper), range(num_points) )
clusters = kmeans(points, k, cutoff)

for i,c in enumerate(clusters): 
    for p in c.points:
        print " Cluster: ",i,"\t Point :", p 

我用列表L替换了点。但是我遇到了很多错误： AttributeError, 'int' object has no attribute 'n'等。

我需要根据CSV文件的第三个数字列（边缘）执行K均值聚类。 本教程使用随机创建的点。 但是我不确定如何将CSV数据用作此k表示功能的输入。 如何对我的数据执行k均值（k = 2）？ 如何将CSV文件数据作为输入发送到此k均值功能？

Answer 1

简而言之，“你不能”。

长答案：K-means仅是为欧几里得空间定义的，它需要一个有效的点位置 ，而它们之间只有距离，这可能不是严格的数学意义，而是某种“相似性”。 K-means不适用于相似矩阵。

你可以做什么？

1. 您可以使用其他方法将点嵌入欧氏空间，以使它们紧密地重新计算您的距离，此类工具之一就是多维缩放（MDS）： http : //en.wikipedia.org/wiki/MultiDimension_scaling
2. 完成第1点后，您可以运行k-均值

另外，您还可以通过执行一些内核学习技术来重新构建数据，然后在生成的Gram矩阵上运行内核k均值，从而构建内核（就Mercer而言有效）。

Answer 2

如lejlot所说，仅点之间的距离不足以进行经典意义上的k均值运算。 如果您了解k均值的性质，这很容易理解。 在较高的层次上，k均值的工作方式如下：

1) Randomly assign points to cluster.
  (Technically, there are more sophisticated ways of initial  partitioning, 
  but that's not essential right now).

2) Compute centroids of the cluster. 
  (This is where you need the actual coordinates of the points.)

3) Reassign each point to a cluster with the closest centroid.

4) Repeat steps 2)-3) until stop condition is met.

因此，如您所见，在经典解释中，k均值将不起作用，因为尚不清楚如何计算质心。 但是，对于您可以做什么，我有一些建议。

建议1。

将您的点嵌入N维空间中，其中N是点数，因此每个点的坐标就是到所有其他点的距离。

例如，您显示的数据：

Sample1,Sample2,45
Sample1,Sample3,69
Sample1,Sample4,12
Sample2,Sample2,46
Sample2,Sample1,78

变为：

Sample1: (0,45,69,12,...)
Sample2: (78,46,0,0,...)

然后，您可以合法地使用欧几里得距离。 请注意，将不会保留点之间的实际距离，但这可以是一种简单合理的近似值，以保留点之间的相对距离。 另一个缺点是，如果您有很多点，那么内存（和运行时间）需求将是N ^ 2的数量级。

建议2。

代替k-均值，尝试k-medoids。 对于这一点，您不需要点的实际坐标，因为您需要计算质心而不是质心。 集群的Medoid是该集群中的一个点，而距该集群中所有其他点的平均距离最小。 您可以在线查找实现。 或者实际上很容易实现。 运行时间也将与N ^ 2成比例。

最后的评论。

您为什么要完全使用k-means？ 好像您有一个加权有向图。 有专门用于图形的聚类算法。 这超出了您的问题范围，但这也许值得考虑？