1. K-means 是一种合理的方法，也是理解数据的明智方法。

2. 我从未使用过 mahout，但我会使用 R 或 Python 进行此类分析，因为可以使用不错的库来快速实现 K-means。

3. 带有标签的聚类方法相当简单。您基本上可以使用指示变量（也称为二进制编码）对其进行编码。如果标签出现在标签列表中，您可以将此变量/功能设置为 1，否则设置为 0。然后您只需要为存在的标签总数分配空间。如果您有大量标签，您可以通过使用至少具有某种频率或其他“合理”方式的标签来限制它们。

4. 您可以选择 $k$以多种方式。通常人们会随意选择 K，因为他们想要，例如，10 个组来将他们的客户或数据分成。在我提供的模拟中，它将为您提供一种使用增量改进来优化 K 的蹩脚方式。

我制作了一个带有模拟的笔记本，引导您了解如何“标记”您的标签并用二进制/单热编码表示它们。值得注意的是，这种标记化忽略了标签的顺序，这对于您的用例来说可能没问题。

还值得注意的是，K-means 肯定不是衡量数据相似性的唯一方法，但我认为这是一个很好的直观开始。

再次，对于选择$k$笔记本中概述的方法是详尽的，因为它从 1 开始，直到每个观察结果都是一个集群。这意味着您必须运行 K-means$n$次，这在实践中很愚蠢，但从这里的学习角度来看很有用。一般来说，这并不理想，因为它很昂贵，而且通常您不想设置$k = n$ 但是这个模拟对正在发生的事情给出了很好的直觉。

在实践中，您可以在大量集群（例如，5、10、15、20、..、100）或类似的东西的间隙中执行此操作，然后选择肉眼下降幅度最大的一个 -球它。这是一种非常武断和不满意的选择方式$k$，但它似乎对很多人都有效。

正如这里已经回答的那样，原始方式的 k-means 不会很有效，因为欧几里德距离无法处理分类数据。

存在一些扩展（例如 k 模式）或具有其他距离的修改（例如 Gower）。讨论在这里展开。

我没有直接的答案，但我建议查看已经实施的不同可能性，并考虑每种可能性的优缺点。 在这里，您可以找到许多不同的方法，它们可能适用于您的问题。

希望能帮助到你

如果您希望对位于关系 SQL 或 Hadoop 类型数据库中的大量数据进行集群，您可能需要使用为 Spark 上的并行处理构建的一些算法。Spark 的 ML Lib 主包可以做到这一点，但我会推荐 H2O 包，因为文档似乎是一流的，为您提供多种语言的选择，并且可以快速消耗 TB 级数据。如果您已经拥有良好的开发背景，这可能对您的工程技能集有更多帮助，并且借助 H2O 的出色文档，您可以更多地关注数据管道和特征选择，而不是聚类模型的理论基础。您可以使用 Java 或 Scala 在 Spark 上实现 H2O，也可以保留更多的工程前景，而不是使用 R 或 Python 等脚本语言。

链接到他们的 K-means 算法文档

http://docs.h2o.ai/h2o/latest-stable/h2o-docs/data-science/k-means.html

K-means 是解决这类问题的巧妙策略。但是，您也可以探索最近的方法，包括拓扑数据分析，以查看特征/个体的集群。