我有一个不同节点之间数据传输的数据库表。这是一个巨大的数据库（有近 4000 万次转账）。属性之一是传输的字节数 (nbytes)，范围从 0 字节到 2 太字节。我想对 nbytes 进行聚类，使得给定 k 个集群，一些 x1 传输属于 k1 集群，x2 传输到 k2 等。
从我使用的术语中，您可能已经猜到了我的意思：K-means。这是一维数据，因为 nbytes 是我唯一关心的特性。当我在寻找不同的方法时，我看到 EM 与非聚类方法一起被提到了几次。我想知道你对如何解决这个问题的看法（特别是集群还是不集群）。
谢谢！
在一维数据中，不要使用聚类分析。
聚类分析通常是一种多变量技术。或者让我更好地换个说法：对于完全有序的一维数据，有更好的技术。在这里使用 k-means 和类似技术完全是浪费，除非您付出足够的努力来实际优化它们以用于 1-d 情况。
举个例子：对于 k-means，通常使用 k 个随机对象作为初始种子。对于一维数据，只需使用适当的分位数（1/2k、3/2k、5/2k 等），对数据进行一次排序后，然后从这个起点进行优化，就很容易做得更好。但是，二维数据不能完全排序。在网格中，可能会有空单元格。
我也不会称它为集群。我称之为区间。你真正想做的是优化区间边界。如果您使用 k-means，它将测试每个对象是否应该移动到另一个集群。这在 1D 中没有意义：只需要检查间隔边界处的对象。这显然要快得多，因为那里只有大约 2k 个对象。如果他们不喜欢其他间隔，更多的中心对象也不会。
例如，您可能想研究诸如Jenks Natural Breaks optimization之类的技术。
或者您可以进行核密度估计并寻找密度的局部最小值以在那里分割。好消息是您不需要为此指定 k ！
有关如何在 Python 中执行此操作的示例，请参见此答案（绿色标记是集群模式；红色标记是数据被切割的点；y 轴是密度的对数似然）：
PS请使用搜索功能。以下是您错过的有关一维数据聚类的一些问题：
一维聚类可以优化和有效地完成，这可以让您深入了解数据的结构。
在一维的情况下，有一些方法是最优和有效的（O(kn)），作为奖励，甚至还有正则化的聚类算法，可以让你自动选择聚类的数量！我推荐这个调查：https ://cs.au.dk/~larsen/papers/1dkmeans.pdf 可以在 Ckmeans.1d.dp 包中找到 R 实现 ： https ://cran.r-project.org/web /packages/Ckmeans.1d.dp/index.html
作为旁注，一维聚类可用于量化，您可以使用一组较小的值来表示输入数据；例如，这可以帮助压缩或加快搜索速度。
你的问题是你应该集群还是应该使用什么方法来集群？
关于是否应该集群，这取决于您是否要自动对数据进行分区（例如，如果您想多次重复此分区）。如果您只这样做一次，您可以只查看值分布的直方图，并按照评论中的建议对其进行划分。无论如何，我建议您通过肉眼查看数据，因为它可以帮助您确定需要多少集群以及集群是否“有效”。
关于聚类的类型，如果数据中有“真实”聚类，k-means 应该没问题。如果您在直方图中看不到任何集群，那么无论如何对它进行集群都没有多大意义，因为您的数据范围的任何分区都会给出有效的集群（或者在随机启动 kmeans 的情况下，您将获得不同的集群每次运行）。
你可以试试：
KMeans、GMM 或其他方法通过指定 n_clusters=no。核密度图中的峰值。
KMeans、GMM 或其他方法通过确定最佳编号。基于一些指标的集群。更多信息：[这里] https://en.wikipedia.org/wiki/Determining_the_number_of_clusters_in_a_data_set