考虑一个无监督数据。数据采用 csv 文件的形式（我为此使用 pandas 数据框）。它是不同时间步长的网页数据，我将数据转换为我的模型（K-means）的方式是将当前网页 ID 加载的时间步长与下一个 web_page ID 加载的时间步长不同。
现在，数据中有一些特征，例如“滚动”（代表人类在该网页上滚动），对于同一个网页 ID，这些特征会多次出现。由于我只使用增量，因此我想将此“滚动”编码为特征的方式是增量之间发生了多少次（时间差）。这给出了频率。
现在的问题是我应该对我计算的这个原始频率进行一些处理，还是可以直接将它提供给我的模型。如果需要更多处理，您有什么建议？
作为一般建议，任何使用距离的算法都可能受到缩放或标准化的影响。因此，如果您使用其中之一，您需要三思而后行，并考虑这将如何改变您的问题。
我将从 CrossValidated StackExchange 中得到答案，因为另一个用户已经在那里解释过了。
如果您的变量具有不可比较的单位（例如，以厘米为单位的身高和以公斤为单位的体重），那么您当然应该标准化变量。即使变量具有相同的单位但显示出完全不同的方差，在 K-means 之前进行标准化仍然是一个好主意。你看，K-means 聚类在空间的所有方向上都是“各向同性的”，因此往往会产生或多或少的圆形（而不是细长的）聚类。在这种情况下，使方差不相等相当于将更多权重放在方差较小的变量上，因此集群将倾向于沿着方差较大的变量分开。