我是统计学的新手，很抱歉在该主题上缺乏任何重大知识，只是为毕业做一个项目。
我正在尝试对包含疾病（3456）和症状（25）的健康数据集进行聚类，并根据发生的事件数量对它们进行分组。
我担心的是很多值都是 0 简单的，因为有些疾病没有表现出特别的症状，例如（我现在编了这些值）：
所以，我想知道对这个数据集进行聚类的最佳方法是什么。我一直在寻找并找到分层和 kmeans，但不知道我是否可以正确适用于这个 cenario。首先，我将出现的绝对值切换为总数的百分比，这是否可以处理 0 ？我考虑了一下，但同时 1% 接近 0%，我不知道算法是否也可以理解为“标志”，因为 1% 表示实际上出现了该症状（即使发生率较低）并且在另一种疾病根本不会发生。
我听说 PCA 可以减少变量的数量，我也很好奇：1-PCA 适用于这个场景（具有很多稀疏 0 的数据集）2-PCA 可以解决我的问题（因为我认为即使减少对于 2 3 个变量，对于该特定列（症状），某些行仍可能为 0。
任何帮助/指导都会非常有帮助，我提前感谢大家，对于一些英语错误也很抱歉！
有一个伟大的一周！
也许我没有正确理解您的问题，但 k-means 聚类对零不敏感。更准确地说，零是要聚类的特征的有效值。
虽然 PCA 可以让您减少要训练的特征的数量，但它可能会使 k-means 的集群的清晰度变得复杂。PCA 本身可能是有益的，但 AI 会抵制将 PCA 数据输入 k-means 的冲动，只是为了减少数据中零的数量。
高温高压
不要指望任何聚类算法只是作为一个黑匣子工作。
零点本身可能不是什么大问题，但缩放是。您不同的疾病有不同的频率，并且对于某些症状（例如发烧）也是如此。
因此，与其选择聚类算法，因为互联网上有人声称它在“大量”零的情况下效果更好（请注意，在 BOW 模型中通常有 99.9% 的零），您需要首先缩小目标范围。为您的问题定义一个好的聚类。然后选择最优化此质量的算法。不要挑锤子，然后假设你的问题一定是钉子......
在您的情况下，我建议从概率的角度来处理它。当两种疾病“可能相关”时定义一些 P()，然后您可以在之后使用各种聚类算法（可能首先尝试一些可解释的东西，例如 HAC）。
如果我理解您的问题陈述是正确的，您希望对有很多 0 的数据进行聚类（这意味着您的数据不平衡）。您可以使用任何您喜欢的聚类技术（有监督或无监督）并绘制数据以进行可视化。
如果您想训练您的模型以进行未来预测，我建议您在开始训练（拟合）您选择的模型之前平衡数据。
您可以使用重新采样来放大缩小数据，一旦完成，您就可以连接并为模型训练创建最终数据集。
from sklearn.utils import resample
谢谢！