你应该使用虚拟变量，然后你可以直接把它扔进K-means。如果您有很多类别，那么执行此操作的有效方法是通过 one-hot-encoding（稀疏编码）。

这是一个使用聚类然后在回归模型中使用聚类的小演示。一般来说，你应该避免这样做，但在这种情况下它很有启发性。

library(glmnet)
library(Matrix)
n <- 1e5
nclusters <- 5
set.seed(420)
ls <- data.frame(sample(letters, n, replace=TRUE))
xs <- sparse.model.matrix(~.,data=ls)
print(head(xs))  
# Now let's run k-means
out <- kmeans(xs, centers=nclusters)
bs <- rep(1, dim(xs)[2])
# Let's run k-means on the different categories
clusterpred <- data.frame(out[[1]])
ys <- xs %*% bs + rnorm(n)
print(table(clusterpred))
# Now let's use a clustered data set to predict some outcome
cxs <- sparse.model.matrix(~.,data=clusterpred)
model <- glmnet(y=ys, x=xs, alpha=0)
cmodel <- glmnet(y=ys, x=cxs, alpha=0)

# Predictions
yhat <- predict(model, xs)
yhatc <- predict(cmodel, cxs)
# Looking at the difference RMSEs 
print(sqrt( sum( (ys-yhat)**2 )))
print(sqrt( sum( (ys-yhatc)**2 )))

首先，最初的蛮力方法是仅执行相似事件的计数，以了解哪些特征组合出现了多少次。这可以很容易地使用包.N提供的运算符data.table：

counts <- df[, .N, by = c("first_column", "second_column")]

一旦这样，您可以使用作为初始标准方法的Pearson 卡方独立性检验（可在Ras中获得）计算分类变量之间的相关性。chisq.test(x,y, ...)

为了执行聚类，您必须引入一种距离方法，该方法允许您决定两个点（其坐标是手头的分类变量）的距离。有很多方法可以将距离分配给名义变量，就像您的情况一样，每种方法都适用于一个正在处理的用例（虚拟变量分配、降维或简单的相似性度量，即变量要么相同，要么它们不是，前者对应距离 0，后者对应距离 1)。在另一个答案中有一个很好的工作示例。引入合适的距离后，您可以执行均值聚类或最适合您的任何其他类型的聚类。$k$

此详细答案中提供了非常精确的演练（带有示例和参考）。