我正在尝试根据具有数字和分类特征的大数据框计算相异矩阵。当我从cluster package运行daisy函数时，收到错误消息：
错误：无法分配大小为X的矢量。
在我的情况下，X约为800 GB。知道如何处理这个问题吗？此外，如果有人可以帮我在并行核心中运行该功能，那也很棒。您可以在下面找到计算虹膜数据集上相异度矩阵的函数：
require(cluster)
d <- daisy(iris)
答案 0 :(得分：0)
之前我有过类似的问题。在我的数据集的5k行上运行daisy()需要很长时间。
我最终在kmeans包中使用了h2o算法，该算法对分类数据进行并行化和1-hot编码。在将数据插入h2o.kmeans之前，我会确保将数据居中并缩放（平均0 w / stdev = 1）。这使得聚类算法不优先考虑具有高标称差异的列（因为它试图最小化距离计算）。我使用了scale()函数。
安装h2o后：
h2o.init(nthreads = 16, min_mem_size = '150G')
h2o.df <- as.h2o(df)
h2o_kmeans <- h2o.kmeans(training_frame = h2o.df, x = vars, k = 5, estimate_k = FALSE, seed = 1234)
summary(h2o_kmeans)