我有四个不同的类别，每个类别中的变量数为 7、3、8 和 9（总共 27 个）。每个变量的值从 1 变为 5，但某些变量不适用于某些观察。总共有 20 个观察值，它们的数据可用于上述上下文中的 27 个变量（从 1 到 5 加上不适用）。我如何将这四个类别聚类为 20 个观察值以获得每个类别的三个聚类？
编辑：有 4 个类别（A、B、C 和 D）。每个类别都有一个不同的向量，包括 7、3、8 和 9 个值（从 1 到 5 加上 NA）。现在，对于 A、B、C 和 D 的每个类别都有 18 个观察值。我需要为每个类别创建三个组。如何找到每个类别的每个集群的质心？这意味着我在每个类别中需要三个质心，总共 12 个（=4 类别* 3 组）。对于任何反馈，我们都表示感谢。谢谢你。
首先，您的类别是否相互独立？如果这真的是四个并行的问题，一次解决一个，它会简化一些事情。
其次，聚类的核心是任意两个观测值之间的距离函数。因为您的数据有缺失值，所以您需要明确决定如何处理它们。一种常见的方法是通过丢弃任何具有任何空值的行来忽略该问题，这对您的数据根本不起作用。
一种简单的方法是忽略任何 NA 列，但保留其余列——对于 C 类，第 1 行和第 2 行之间的差异为 4（第 11、14、15 和 16 列都减一） . 这种方法有一个问题，我稍后会谈到，但现在让我们实现它。
对于每个类别，我们需要三行质心位置（我们不妨从随机选择的没有缺失值的行开始）。然后，我们使用一堆求和的 ifs 计算到每个质心的距离：if(matrix cell != NA, matrix cell - centroid cell, 0) 跨越所有列。（如果您在电子表格中进行此计算，我会使用中间单元格来计算各个部分，而不是处理一个庞大的公式。）
然后我们使用标准的迭代过程优化质心：每一行获得一个与最近的质心相对应的组成员资格，然后每个质心成为其组成员的平均值（看起来你的平均值函数自动排除了 NA），然后我们重复直到使满意。
为什么我指定我们必须在没有 NA 的情况下播种？如果您允许在质心中进行 NA 测量，这将失败，因为所有 NA 的一行都处于中心位置！如果我们的更新步骤永远不允许我们移动到 NA，则 NA 列将是暂时的，但是当我们取缺失列的平均值时会发生什么？（在您的示例数据中，考虑如果第 4-12 行是 B 类别中的一个组会发生什么。）
因此，如果我们想在质心中允许 NA，我们需要将距离函数修改为如下所示：
选择这些数字使得对于任何完整的数字列，质心位置的数值将更接近，但如果该列有足够多的 NA 行，质心中的 NA 值将更接近。您可能需要调整这些值，使 NA 阈值看起来像您想要的那样。
为了使用我们的距离函数找到一组行的质心，我们应该使用优化程序，但我们可以作弊：如果组中的 NA 数量高于阈值，我们将其设置为 NA，否则我们将其设置为平均值。