我有一个由 100 个特征组成的数据集，每个特征都是三元的：如果它存在于一个类别中，则值为 -1，如果它不存在，则值为 0，如果它存在于第二个类别中，则值为 1。例如
F1 F2 F3 ... F90 F91 F92 ... F99 F100
0 0 0 ... 1 -1 0 ... 0 -1
0 -1 0 ... -1 0 1 ... 0 0
数据非常稀疏，100 个特征中约有 20 个特征的每行数据的值为 -1 或 1。我想通过热图可视化和树状图找到相似的数据行，但我对是否使用欧几里得距离或城市街区距离感到困惑。我对数据挖掘很陌生，在阅读scipy页面时，我发现了许多我不知道意味着什么的距离度量。我的数据集类型有一个好的距离度量吗？
由于显然每个功能都在对两个不同类别的内容进行编码，因此我建议您应该将其替换为两个 features。你的两个特点是在哪里根据是否存在于第一类中为 0 或 1，并且根据是否存在于第二类中为 0 或 1。换句话说，你可以使用 -1、0 和 1，而不是,， 和， 分别。我认为这更接近真实数据，并且可能会产生更好的结果。它还可能使您的结果更易于解释。
然后，您可以尝试这两种距离指标，看看哪个更有帮助——但它可能不会产生很大的不同。
如果您将数据的每一行视为一个向量，那么“距离”（相似性）的合理方法将是cosine similarity。这通常用于在协同过滤中查找用户-用户或项目-项目向量之间的相似性。
坦率地说，我认为在这种情况下，无论您使用城市街区还是Minkowski 距离的任何概括，只要在计算字符串/向量距离时度量不给出不同的预期值，我认为这并不重要。您可以使用城市街区距离，因为如果您有许多组合要计算，它的计算速度比欧几里得要快。
我认为这里也可以考虑汉明距离。
在信息论中，两个相等长度的字符串之间的汉明距离是对应符号不同的位置数。