在R中使用Kmeans保持一致的聚类顺序

Question

这可能是不可能的，但谷歌到目前为止让我失望了，所以我希望其他人可能会有一些见解。如果之前有人问过这个问题，很抱歉。

背景是，我有一个关于不同城市的信息数据库，比如名字，人口，污染，犯罪等。我对它进行查询以聚合每个城市的数据，并将结果输出到一个表中。这很好用。

下一步是我在数据集上运行R中的kmeans()函数来查找聚类，在测试中，我发现通过“肘部方法”，5个聚类几乎总是一个很好的选择。

我遇到的问题是这些集群有不同的含义/解释，所以我想用集群对该行的解释来标记原始数据集中的每一行，而不是集群编号。所以我不想把第二排和“集群5”联系起来，我想说“低人口，高犯罪率，低收入”。

如果R以相同的顺序输出集群，假设集群5总是等同于具有“低人口，高犯罪率，低收入”的城市集群，这将工作得很好，但它不是这样的。例如，如果你像这样运行代码：

> a =  kmeans(city_date,centers=5)
> b =  kmeans(city_date,centers=5)
> c =  kmeans(city_date,centers=5)

运行此代码：

a$centers
b$centers
c$centers

集群将包含相同的数据集，但集群编号将不同。因此，如果我在SQL中有一个具有聚类编号和解释的映射表，它将不起作用，因为当我有一天运行它时，它可能会有“低人口，高犯罪，低收入”聚类为5，下一天它可能是2，下一个4，等等。

我想知道的是，是否有一种方法可以保持输出的一致性。数据集被更新了，所以它甚至不会每次都是相同的，而且由于R即使对于相同的数据集也不能保持集群顺序的一致性，我想知道这是否可能。

感谢任何人能提供的任何帮助。我现在的想法是将$centers数据输出到一个SQL表中，然后根据不同的指标对表进行排序，每次将最高/最低的指标标记为最高/最低的指标，然后将结果连接起来以标记级别。这可能行得通，但不是很优雅。

Answer 1

我知道这是一个非常古老的帖子，但我现在才接触到它。今天我也遇到了同样的问题，我采用了Barker的建议，提出了一个解决方案：

library(dplyr)

# create a random data frame
df <- data.frame(id = 1:10, obs = sample(0:500, 10))

# use kmeans a first time to get the centers
centers <- kmeans(df$obs, centers = 3)$centers

# order the centers
centers <- sort(centers)

# call kmeans again but this time passing the centers calculated in the previous step
clusteridx <- kmeans(df$obs, centers = centers)$cluster

不是很优雅，但很管用。clusteridx向量将始终以升序返回基于中心的簇号。

如果您愿意，也可以将其折叠为一行：

clusteridx <- kmeans(df$obs, centers = sort(kmeans(df$obs, centers = 3)$centers))$cluster

Answer 2

通常，k-means被随机初始化几次，以避免局部最小值。如果您希望对结果簇进行排序，则必须在k-means算法停止工作后手动对它们进行排序。

Answer 3

我自己没有这样做过，所以我不确定它是否可以工作，但是kmeans有这样的参数：

• centers -集群的数量，例如k，或一组初始(不同的)集群中心。如果是一个数字，则选择x中的一组随机的(不同的)行作为初始中心。

如果您知道基本上知道集群应该在哪里(可能是通过从要匹配的数据集中获取集群中心)，则可以使用它来初始化模型。这将使起始位置不是随机的，因此集群应该保持相同的顺序。此外，作为一个额外的好处，将集群中心初始化到它们将结束的地方应该会加快集群的速度。

编辑

我只是使用kmeans示例中的数据进行了检查，但是在(1,1)使用第一个数据点进行初始化，在(0,0)使用第二个数据点进行初始化(用于构建集群的分布的均值)，如下所示。

x <- rbind(matrix(rnorm(100, sd = 0.3), ncol = 2),
           matrix(rnorm(100, mean = 1, sd = 0.3), ncol = 2))
colnames(x) <- c("x", "y")
(cl <- kmeans(x, matrix(c(1,0,1,0),ncol=2)))
plot(x, col = cl$cluster)
points(cl$centers, col = 1:2, pch = 8, cex = 2)

经过反复运行，我发现第一个集群总是在右上角，第二个集群在左下角，初始化2集群会导致then来回切换。如果你对你的集群有一些近似的起始值(即“低人口，高犯罪，低收入”的量化)，这可能是你的初始化，并给你你想要的结果。