基于分类变量的Clusering？

Question

我正在做一个项目，目前正在试验聚类分析。数据集主要是分类变量和离散数。请原谅我的编程技巧很差，因为我不太熟悉MathJax，但是我将在下面的三个例子中尝试用文字来总结数据集。

1. 假设第1列是参与者的名字，当然，从column2 - 5开始，每个列的值范围从1(最不重要)到5(最重要)。所以在这种情况下，第2-8列只有离散的数据.
2. 例如，第6列，因为这是一个选择题。第1行选择“尼斯”作为回答，但第2行选择“较差”。在这种情况下，我们有一个列包含多个分类答案。
3. 对于第7-9栏，这是另一种类型的选择题.然而，这一次，每一列只代表一个答案。第7列只允许字符串值"true"，第8列只允许字符串“有点”。因此，在这个例子中，我们有多个列，它们代表同一个问题的多个答案。

有什么办法解决这个问题吗？感谢所有的投入！

A2       A3       A4       A5       A6       A7         A8         A9
1        4        5        4        nice     true       somewhate  false
2        4        3        1        poor     true                  false
1        5        2        1        nice                somewhate    
3        2        1        5        nice     true                  false

Answer 1

我想你的数据集就像

A0 A1 A2 B0 B1 B2
1  0  0  1  1  0
0  1  0  0  0  1
0  1  0  0  1  1
      ...

如果A0指的是问题A的答案，选择0和问题A是一个单一的选择问题，B是一个允许多个答案的问题。每一行代表一条记录。

对于这种数据格式，每一列都可以被视为一个维度(如果可以将某些列量化为一个值，您可以将它们分组为一个列，ex "Like = 1，中性= 0，into = -1")，然后应用聚类算法，例如K-均值对其进行聚类。

如果您的数据集格式与我的假设不同，请告诉我。

6月30日更新：

其思想是量化变量，对于第2-5列，值已经被量化为第5列的1，5，它允许(“很差”/“很好”)。虽然它们是字符串，但它们代表的是不同大小的偏好。它们也可以转换为“贫穷”= 0，“很好”= 1。对于第7-9列，因为它是一个二进制选项，它们也可以很容易地转换为ex。"true“= 0，"”= 1。

然后，您将得到一个矩阵：

1    4    5    4    1    1    1    1
2    4    3    1    0    1    0    1
1    5    2    1    1    0    1    1
3    2    1    5    1    1    0    1

Remark1:对于二进制选项，如第9列，只允许"False“或"null"，选择"False”=1或0并不重要。在分类上，只有距离才重要。

Remark2:如果列允许不同的字符串，如“苹果”、“香蕉”、“橙色”，则可以将其转换为一个热向量。例如。

A
apple
orange
orange
banana

可以转换为

A0   A1   A2
1    0    0
0    0    1
0    0    1
0    1    0

A0，A1，A2代表“苹果”、“香蕉”和“橙色”。

Remark3:如果有一列允许存储多个答案，则为ex。

A
apple
apple orange
orange
orange banana

可以转换为A0 A1 A2 1 0 0 1 0 0 1 0 0 1 1 1

Remark4:在应用K-均值等分类算法之前，最好是对每个维度的大小进行规范化。例如，第9列的值是0，1，可以将5次标准化为0，5。因素/维度的范围反映了这一因素的重要性。

我希望我的回答能有所帮助。