Python KMeans Orange Framework

Question

我打算将orange用于kmeans群集。我已经阅读了这些教程，但我仍然有几个问题要问：

我正在处理高维矢量的聚类。 1）是否实现了余弦距离？ 2）我不想给空值赋零。我尝试在空字段中没有任何零，并且收到错误：

SystemError: 'orange.TabDelimExampleGenerator': the number of attribute types does not match the number of attributes

如何指示空值？ 3）有没有办法在示例表中使用“ID”？我想用ID（非分类）标记我的数据，以便于参考。我不将ID列作为我数据的官方部分。

4）有没有办法以不同的方式输出kmeans聚类？ 我更喜欢这种格式的东西：

cluster1: [ <id1>, <id2>, ...]
cluster2: [ <id3>, ... ]
rather than just [1, 2, 3,1 , 2, ... ]

谢谢！

Answer 1

一个问题中的四个问题非常尴尬 - 为什么不提出一个问题呢？这不像是要花费你;-)。无论如何，wrt“如何指示一个空值？”，请参阅the docs关于value实例的属性Orange.Value：

  

如果值是连续的或未知的，则不   描述符是必需的。对于后者，   结果是字符串'？'，'〜'或'。'   对于不知道，不关心和其他，   分别

我不确定你是否意味着“不知道”或“不关心”，但无论如何你都可以指出。但要注意距离 - 从the docs中的其他页面开始：

  

正确处理未知值   只有欧几里德和救济距离。   对于其他距离测量，a   未知和已知或之间的距离   总是在两个未知值之间   0.5。

后一页中列出的距离是Hamming，Maximal，Manhattan，Euclidean和Relief（后者就像曼哈顿，但正确处理未知值） - 没有提供余弦距离：你必须自己编码。

对于（4），只需要一些Python代码，您就可以以任何您想要的方式显示结果。 KMeans对象的.clusters属性是一个列表，与数据实例的数量完全一样长：如果您想要的是数据实例列表的列表，例如：

def loldikm(data, **k):
  km = orange.KMeans(data, **k)
  results = [[] for _ in km.centroids]
  for i, d in zip(km.clusters, data):
    results[i].append(d)

Answer 2

我认为原始的KMeans不适合余弦距离。因为它不在欧几里得空间，你需要定义余弦距离的质心，你不能保证收敛。但是如果你的特征向量都是正数，你可以试试。更多信息：Add API for user defined distance function in k-means