我有包含某些项目的访问持续时间的数据。
示例：
t0~t5 为访问时长，1 表示该时长内访问过，0 表示未访问过。
ID,t0,t1,t2,t3,t4
0,0,0,1,1,1
1,0,1,1,1,1
2,0,1,1,0,0
3,1,1,0,0,1
4,1,1,0,0,1
在上面的例子中，组ID=0,1是我想要的。
ID=3,4不是因为它们的距离很短，而是它们不是连续的。
我试过了KMeans，DBSCAN它们都聚集ID=3,4成一个组，这是有道理的。但它没有做我想要的。
是否有任何可能的数据预处理来达到我想要的？
或者我应该使用其他分析工具？
可能有帮助的是自定义距离计算作为聚类算法的输入。这些算法通常将欧几里得距离作为相异性的度量。
您可以尝试使用 metric='precomputed' 和 'X' 作为自定义距离矩阵的DBSCAN （在 Python scikit-learn 中）。您可以构建此距离矩阵以符合您的要求。例如：指定节点 3 和 4 的距离很大，即使它们相等。
转换数据可能是值得的，这样每条记录都是“连续的”（以不同的方式称呼它 - 例如“连续”，因为术语连续具有广为人知的数学含义），并在必要时制作多个副本。
K-means 最小化平方和。我看不出这有什么好处。
有广义的DBSCAN。您可以为它定义任意邻居谓词。例如，您可以定义邻居（合并到同一集群的候选者）必须具有至少两个活动时间点的连续重叠。然后考虑这是否满足您的集群概念，因为 DBSCAN 计算了传递性。
我的猜测是，您宁愿例如提取所有记录的最小长度的所有连续子序列（例如，2 个），然后简单地计算它们以识别最频繁的子序列。如果您使用有效的位表示来实现这一点，那么它将非常快。