是否可以基于多个字符串特性进行群集？

Question

我正在努力学习和理解聚类算法是如何使用Python的。

问题：

我有一个大约5列的数据集，其中包含混合数据类型(字母数字/日期/数字)，我希望根据具有公共值的多个字段对其进行聚类。

示例：

Index  Col-1       Col-2       Col-3       Col-4         Col-5    
----------------------------------------------------------------
 0     US1          John        ABC123      01/01/2019    200
 1     US2          Alex        256xyz      01/12/2018    8000
 2     US1          John        ABC12       01/01/2019    200
 3     US2          Alex        00256xyz    01/12/2018    8000
 4     US2          Alex        XYZ         01/12/2018    8000
 5     US3          Mary        345abc      27/03/2000    9040

输出：

                Index

Cluster-1:     0 and 2

Cluster-2:       1,3,4

Cluster-3:      5

应以Col-1,2,4,5组为基础建立集群。

我不知道这是否有意义，是否有可能做到这一点。

如果是，非数字数据集使用的最佳算法是什么？也可以通过代码来实现。

Answer 1

不确定您是在寻找精确匹配，还是使用近似匹配进行聚类。为了准确匹配，您可以简单地按所有四列分组，为每个组合创建一个group_id，然后通过与此表连接来查找属于同一组的所有成员。

在近似匹配的情况下，可以将它们编码为虚拟变量，并使用hamming距离计算相似度，并在此基础上创建集群。