使用分类变量的 Kmeans

Question

我有一个包含所有分类变量的大数据集 45421 * 12（行 * 列）。我的数据集中没有数值变量。我想用这个数据集来构建无监督聚类模型，但是在建模之前我想知道这个数据集的最佳特征选择模型。而且我无法将肘部曲线绘制到此数据集。我在 k-means 肘部方法中给出了范围 k = 1-1000，但它没有给出任何最佳集群图并且需要 8-10 个小时来执行。如果有人对这个问题提出更好的解决方案，那将是一个很大的帮助。

代码：

data = {'UserName':['infuk_tof', 'infus_llk', 'infaus_kkn', 'infin_mdx'], 
       'UserClass':['high','low','low','medium','high'], 
       'UserCountry':['unitedkingdom','unitedstates','australia','india'], 
       'UserRegion':['EMEA','EMEA','APAC','APAC'], 
       'UserOrganization':['INFBLRPR','INFBLRHC','INFBLRPR','INFBLRHC'], 
       'UserAccesstype':['Region','country','country','region']} 

df = pd.DataFrame(data) 

Answer 1

对于这样的分类数据，K 均值不是合适的聚类算法。您可能想要寻找 K-modes 方法，遗憾的是该方法当前未包含在 scikit-learn 包中。您可能想查看 github 上可用的 kmodes 包： https: //github.com/nicodv/kmodes，它遵循您在 scikit-learn 中习惯的大部分语法。

有关更多信息，请参阅此处的讨论： https: //datascience.stackexchange.com/questions/22/k-means-clustering-for-mixed-numeric-and-categorical-data