我需要对具有不同长度的数据序列进行聚类。
我正在使用 Matlab，我的第一个问题与方法有关。
KMeans 是否足以实现这一目标？
IN KMeans 我必须使用以下命令对存储在矩阵 A 中的一组数据进行聚类
[IDX1,E] = kmeans(A,5);
所以，我的第二个问题与我不知道如何为我的案例创建矩阵这一事实有关。
我的数据具有以下格式：
1 15 1 1 13 14;
1 1 1 1 12 1 7 11 9 11 7 11 7 11 7 4 7 7 14 15 9 2;
13 1 13 15 13 2 9 2 9 2 2 2 2 2 2 2;
1 2 9 1 6 10 6 1 6 10 14 3 10;
假设每一行属于不同的用户。我需要的是找到类似行为/序列的集群。你知道我是否可以继续使用 KMeans，如果可以，如何创建矩阵？
一种方法（在许多其他方法中）是将序列的元素视为一个单词。换句话说，如果您假设您的列表是一个句子，那么您可以提取 ngram。
import nltk
from nltk import ngrams
a = [1, 15, 1, 1, 13, 14]
b = [1, 1, 1, 1, 12, 1, 7, 11, 9, 11, 7, 11, 7, 11, 7, 4, 7, 7, 14, 15, 9, 2]
c = [13, 1, 13, 15, 13, 2, 9, 2, 9, 2, 2, 2, 2, 2, 2, 2]
d = [1, 2, 9, 1, 6, 10, 6, 1, 6, 10, 14, 3, 10]
bb = list()
bb.append(str(','.join(str(e) for e in ['x' + str(e) for e in a])))
bb.append(str(','.join(str(e) for e in ['x' + str(e) for e in b])))
bb.append(str(','.join(str(e) for e in ['x' + str(e) for e in c])))
bb.append(str(','.join(str(e) for e in ['x' + str(e) for e in d])))
我添加了x, 因为似乎CountVectorizer忽略了单个数字/字母。让我们进行字数统计 - 或者您也可以继续使用ngrams （在此处阅读 sklearn 文档）
from sklearn.feature_extraction.text import CountVectorizer
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(bb)
X.toarray()
输出看起来像这样
array([[3, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0],
[5, 0, 4, 1, 0, 1, 1, 1, 0, 1, 0, 6, 2],
[1, 0, 0, 0, 3, 0, 1, 9, 0, 0, 0, 0, 2],
[3, 3, 0, 0, 0, 1, 0, 1, 1, 0, 3, 0, 1]])
基本上列对应的词是
print(vectorizer.get_feature_names())
['x1', 'x10', 'x11', 'x12', 'x13', 'x14', 'x15', 'x2', 'x3', 'x4', 'x6', 'x7', 'x9']
和行是你的样本。
现在您有了一个特征矩阵，您可以继续进行聚类，例如kmeans
from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
kmeans.labels_
结果
array([0, 1, 0, 0], dtype=int32)
K-means 不适用于这种类型的数据。对我来说，您作为示例提供的字符串适用于基于 MDL（最小描述长度https://en.wikipedia.org/wiki/Minimum_description_length）或数据压缩的聚类信息论方法。通过将这些字符串压缩到它们唯一的序列（去除冗余），可以出现更大的模式。有许多数据压缩算法。
可以在 Emmerg-Streib 和 Dehmer 的Information Theory and Statistical Learning中找到一个很好的概述。
一个有用的聚类算法可能是排列分布聚类
k-means必须能够计算均值，因此它对您不起作用。
考虑使用具有 Levenshtein 或类似相似性度量的层次聚类。LCSS也是一个不错的选择；为序列设计的任何相似性。