R：群集文件

Question

我有一个documentTermMatrix看起来如下：

 artikel naam product personeel loon verlof  
doc 1 1  1 2  1  0 0  
doc 2 1  1 1  0  0 0  
doc 3 0  0 1  1  2 1 
doc 4 0  0 0  1  1 1 

在包tm，它可以计算出两个文档之间的汉明距离。但是现在我想要将汉明距离小于3的所有文档聚类在一起。 所以，在这里，我希望集群1是文档1和2，集群2是文档3和4。是否有可能做到这一点？

Answer 1

我救了你表myData：

myData 
    artikel naam product personeel loon verlof 
doc1  1 1  2   1 0  0 
doc2  1 1  1   0 0  0 
doc3  0 0  1   1 2  1 
doc4  0 0  0   1 1  1 

然后从e1071库使用hamming.distance()功能。您可以使用自己的距离（只要它们在矩阵形式）

lilbrary(e1071) 
distMat <- hamming.distance(myData) 

使用“完整”的联动方式，以确保一个集群内的最大距离可在以后指定层次聚类紧随其后。根据一组中的点之间的最大距离

dendrogram <- hclust(as.dist(distMat), method="complete") 

选择组（最大= 5）

groups <- cutree(dendrogram, h=5) 

最后绘制的结果：

plot(dendrogram) # main plot 
points(c(-100, 100), c(5,5), col="red", type="l", lty=2) # add cutting line 
rect.hclust(dendrogram, h=5, border=c(1:length(unique(groups)))+1) # draw rectangles 

的另一种方式查看每个文档的群集成员身份是table：

table(groups, rownames(myData)) 

groups doc1 doc2 doc3 doc4 
    1 1 1 0 0 
    2 0 0 1 1 

所以文件第一和第二落入一个组，而第三和第四 - 另一组。