我有许多问题和选择,用户将要回答。他们有这样的格式:如何为KMeans矢量化Json数据?
question_id, text, choices
并为每个用户我保存回答问题,并选择的选择由每个用户在MongoDB中一个JSON:
{user_id: "", "question_answers" : [{"question_id": "choice_id", ..}] }
现在我试图使用k - 意味着根据他们的问题选择寻找最相似的用户群集和流,但我需要将我的用户数据转换为一些向量编号,如Spark的文档here中的示例。
k均值的数据样本和我想要的输出:
0.0 0.0 0.0
0.1 0.1 0.1
0.2 0.2 0.2
9.0 9.0 9.0
9.1 9.1 9.1
9.2 9.2 9.2
我已经使用scikit学习的尝试DictVectorizer但它似乎没有工作正常。
我会为每个question_choice组合这样的关键:
from sklearn.feature_extraction import DictVectorizer
v = DictVectorizer(sparse=False)
D = [{'question_1_choice_1': 1, 'question_1_choice_2': 1}, ..]
X = v.fit_transform(D)
我尝试我的每一个用户的问题/选择对变换成这样:
v.transform({'question_1_choice_2': 1, ...})
而我得到的结果像这样:
[[ 0. 1. 0. 0. 0. 0. 0. 0. 0. 0.]]
这是正确的做法吗?因为我需要每次创建一个我所有选择和答案的字典。有没有办法在Spark中做到这一点?
在此先感谢。抱歉,我是数据科学新手。
什么是您的阅读格式?你如何阅读你的数据?什么是类型? – eliasah
@eliasah我会从mongodb读取它,它是json。这样我就需要加载问题和选择来首先生成矢量化器,然后通过用户使用矢量化器来转换他们的数据,我认为这非常有效。 –
将您的JSON数据与您展示的K-Means样本数据关联起来有点困难。使用K-Means,您需要确保实际处理间隔或比率数据。如果您的数据是名义或有序的,您不能使用K-Means。但是,您可以使用K模式,该模式根据名义或有序数据的不相似性进行操作。相关论文:Joshua Zhexue Huang的“用k-模式聚类分类数据”和J.M.Peña等人的“用于K-Means算法的四种初始化方法的经验比较”。 – henrikstroem