Pak*_*wah 5 cluster-analysis data-mining data-analysis
整个夏天我正在从事一个数据分析项目。主要目标是利用医院中有关用户访问患者信息的一些访问日志数据，并尝试检测异常访问行为。选择了几个属性来描述用户（例如员工角色、部门、邮政编码）和患者（例如年龄、性别、邮政编码）。大约有 13 - 15 个变量正在考虑中。
我之前用的是R，现在用的是Python。我可以根据你们建议的任何合适的工具/库来使用。
在我提出任何问题之前，我确实想提一下，根据医疗保健行业保护个人信息的要求，许多数据字段在交给我时都经过了匿名化处理。具体来说，许多 VARCHAR 值被转换为随机整数值，仅维护整个数据集的引用完整性。
问题：
没有给出异常值的确切定义（它是根据大多数数据的行为定义的，如果存在一般行为），并且没有标记的训练集告诉我数据集的哪些行被认为是异常的。我相信该项目属于无监督学习领域，所以我正在研究聚类。
由于数据是混合的（数字和分类），我不确定聚类如何处理这种类型的数据。
我读到可以扩展分类数据并让变量中的每个类别为 0 或 1 以便进行聚类，但是 R/Python 如何为我处理如此高维的数据呢？（仅仅扩大雇主角色就会带来约 100 个以上的变量）
如何解释聚类的结果？
使用聚类算法，潜在的“异常值”是否也会被分组为聚类？我该如何检测它们？
另外，涉及分类数据时，我不确定如何定义“点之间的距离”，数据点的接近度是否表明类似的行为？将每个类别扩展到具有真/假值的虚拟列是否有帮助？那距离是多少呢？
面对聚类分析的挑战，我也开始尝试对数据进行切片，一次只查看两个变量。例如，我会查看某个员工角色访问的患者的年龄范围，并使用四分位数和四分位数范围来定义异常值。对于分类变量，例如员工角色和触发的事件类型，我只会查看每个事件被触发的频率。
有人可以向我解释对非正态分布的数据使用四分位数的问题吗？对此有何补救措施？