KMEANS文本数据进行聚类

Question

我有以下2列的熊猫数据帧：

 Database Name    Name 

     db1_user     Login 
     db1_client    Login 
     db_care     Login 
     db_control    LoginEdit 
     db_technology    View 
     db_advanced    LoginEdit 

我必须基于集群的“名称”字段的数据库名称。当我将其转换为numpy的，使用

数据集= df2.values

当我打印所述打印（dataset.dtype），类型为对象。我刚刚开始使用聚类，根据我的理解，我明白该对象不适用于Kmeans聚类。

任何帮助将得到appreicated！

Answer 1

什么平均

Login 
LoginEdit 
View 

应该是？

k-means只适用于连续的数值数据是有原因的。因为的意思是要求这样的数据被明确定义。

我不认为集群是适用于您的问题在所有（而不是看看数据清洗）。但显然你需要一种适用于任意距离的方法 - k-均值不适用。

Answer 2

我不明白是否要为每个“名称”属性组开发集群，或者不管“名称”的值如何，都要创建n个集群;我不明白在这里可以实现什么样的聚类。

无论如何，就在几天前，datascience SE站点（来自R用户）也有类似的问题，要求电子邮件地址的本地名称相似（“@”之前的部分） ），而不是数据库名称。问题与你的相似。

检查了这一点：

https://datascience.stackexchange.com/questions/14146/text-similarities/14148#14148

答案是全面的关于字符串的不同距离的措施。

也许这是你应该调查。然后决定一个适当的距离度量，这个度量可以在python中使用（或者你可以自己编程），并且符合你的需求。