我正在对一些包含以下信息的交易数据使用 k-means 执行一些无监督聚类：
| 顾客 | 在 category_1 中购买的单位 | 在 category_1 中购买的单位 | 购买时间 |
|---|---|---|---|
| 一种 | 1 | 2 | 早晨 |
| b | 3 | 2 | 晚上 |
为了处理分类变量time of day of purchase，我使用了单热编码。我还对数据使用了 MinMax 缩放（所以我的units purchased in category x变量最大值为 1）：
| 顾客 | 在 category_1 中购买的单位 | 在 category_1 中购买的单位 | 早晨 | 下午 | 晚上 |
|---|---|---|---|---|---|
| 一种 | 0.1 | 0.2 | 1 | 0 | 0 |
| b | 0.3 | 0.2 | 0 | 0 | 1 |
我发现，由于早上、下午、晚上变量是二元 (0,1)，它们在 k-means 聚类与购买的单位之间占主导地位，由于缩放，它们在大多数情况下都远小于 1。我最终得到了三个几乎在一天中的时间确定的集群。
我该如何解决这个问题？有没有更好的编码方法我可以使用或者 k-mean 在这种情况下不适合？
尝试使用多项式编码：
import category_encoders as ce
encoder = ce.PolynomialEncoder(cols=["col_name"])
encoder.fit_transform(obj_df, verbose=1).head()
文档：https ://contrib.scikit-learn.org/category_encoders/polynomial.html
时间可以以多种方式编码。您可以选择连续编码以适应 k-means。一个示例是 24 小时制从 0:00 开始的分钟数，它捕获了“早上”、“下午”和“晚上”的概念。
Kmode 解决您的问题
Kmeans 算法最适合对大型数据集进行聚类，但是它将其使用限制为数值
另一方面，Kmodes 将 kmeans 范式扩展到分类域，并且还能够对混合数据进行聚类，如本文所述，A Fast Clustering Algorithm to Cluster Very Large Categorical Data Sets in Data Mining
k-modes 用于聚类分类变量。它根据数据点之间匹配类别的数量定义集群。（这与更知名的 k-means 算法形成对比，后者基于欧几里德距离对数值数据进行聚类。）k-prototypes 算法结合了 k-modes 和 k-means，能够对混合的数值/分类数据进行聚类。
kmodes 算法对 k-means 算法进行了三个主要修改，
IE，
用法：
import numpy as np
from kmodes.kmodes import KModes
# random categorical data
data = np.random.choice(20, (100, 10))
km = KModes(n_clusters=4, init='Huang', n_init=5, verbose=1)
clusters = km.fit_predict(data)
# Print the cluster centroids
print(km.cluster_centroids_)
参考
x = ["Dog", "Blue", "Female", "Sad"]
y = ["Cat", "Yellow", "Male", "Happy"]
z = ["Sheep", "Yellow", "Male", "Happy"]
a = ["Sheep", "Yellow", "Female", "Happy"]
df2 = pd.DataFrame([x,y,z,a], columns= ["Pet", "Sky", "Gender", "Feeling"])
km_2 = KModes(n_clusters=2, init="Huang")
km_2.fit_predict(df2)
km_2.cluster_centroids_
x = [0,1,0]
y = [0,1,1]
z = [1,0,1]
a = [1,0,1]
b = [1,0,0]
df = pd.DataFrame([x,y,z, a, b], columns= ["Pet", "Sky", "Gender"])
km = KModes(n_clusters=2, init='Huang')
result = km.fit_predict(df)
km.cluster_centroids_
Out[14]:
array([[1, 0, 1],
[0, 1, 0]])
In [15]:
km.labels_
iris_df = pd.read_csv("../input_data/iris.csv")
iris_df.head()
from kmodes.kprototypes import KPrototypes
kP = KPrototypes(n_clusters=3, init='Huang', n_init=1, verbose=True)
kP.fit_predict(iris_df, categorical=[5])
kP.cluster_centroids_
Out[28]:
[array([[125.5 , 6.588, 2.974, 5.552, 2.026],
[ 25.5 , 5.006, 3.428, 1.462, 0.246],
[ 75.5 , 5.936, 2.77 , 4.26 , 1.326]]), array([['virginica'],
['setosa'],
['versicolor']], dtype='<U10')]
iris_df["cluster_id"] = kP.labels_
# testing to confirm
iris_df[iris_df.Species == 'versicolor']