为了更简单的理解，我用更小的例子来解释。
我有2套：
我有10个独特的字符串ID。 id1，id2，id3，id4，id5 ... id10
我有3个独特的c-id：cid1，cid2，cid3
两组之间存在映射，但不在相同组的值内。
映射说：
id1：cid1，cid2
id2：cid3
id3：cid1
......等等..
我需要针对cids（字符串）聚集一组id（字符串），反之亦然。
现在我已经创建了一个如下所示的csv文件。 （类似于稀疏）
id1，cid1
id1，cid2
id3，cid3
。
。
我在Weka中运行k-means但不确定这是否正确。所有这些ID实际上都是没有任何特定顺序的功能/属性。但是我所表达的方式，列被视为属性值。如何将其转换为功能？
答案 0 :(得分：0)
对于kmeans，您必须创建equal length向量。一种可能的方法是 - 假设有三个唯一的ID cid1，cid2和cid3，那么您创建一个长度为3的向量，每个向量都采用二进制值（{{1} }或0）表示该唯一ID的1或absence。
presence即。上面的例子可以写成：
id => [cid1, cid2, cid3]
然后我认为你可以使用kmeans进行聚类。我不知道这里的Ids的语义，所以不能真正评论它如何集群。
答案 1 :(得分：0)
由于您愿意尝试其他任何可以进行群集的工具，我建议您查看SPMF。
SPMF是一个用Java编写的开源数据挖掘挖掘库， 专门从事模式挖掘。
根据GPL v3许可证分发。
它提供了89种数据挖掘算法的实现：
顺序模式挖掘，关联规则挖掘，项集挖掘， 顺序规则挖掘，聚类。每种算法的源代码 可以集成到其他Java软件中。
此外，SPMF可以用作简单用户的独立程序 接口或从命令行。
您可以从here
下载GUI程序或源代码可以在this page上找到文档和数据集说明。
对于KMeans，程序只接受整数值 （字符串有一种解决方法） 用单个空格分隔，并且它也假定< strong>所有行都有相同的长度。
1 2 3 4
1 6 8 8
1 2 3 3
2 4 5 5
4 7 8 7
7 6 8 9
4 4 3 3
2 2 5 5
7 5 5 5
5 6 8 9
输出文件格式定义如下。 每一行都是一个群集，并列出群集中包含的向量。向量是由＆＃34;，＆＃34;分隔的双值列表。 ＆＃34; [＆＃34;和＆＃34;]＆＃34;字符。
cluster 1: [1.0,2.0,3.0,4.0][1.0,2.0,3.0,3.0][2.0,4.0,5.0,5.0][4.0,4.0,3.0,3.0][2.0,2.0,5.0,5.0]
cluster 2: [7.0,6.0,8.0,9.0][1.0,6.0,8.0,8.0][4.0,7.0,8.0,7.0][5.0,6.0,8.0,9.0]
cluster 3: [7.0,5.0,5.0,5.0]
但是，如果您的数据集只有几个不同的字符串，那么＆＃34;查找并替换＆＃34;将完成这项工作。
在任何其他情况下，您都可以使用R