Arrays 一维数数组聚类

假设我有一个这样的数组：

[1,1,2,3,10,11,13,67,71]

有没有一种方便的方法可以将数组划分成这样的部分

[[1,1,2,3],[10,11,13],[67,71]]

我研究过类似的问题，但大多数人建议使用k-means对点进行聚类，比如，对于像我这样的初学者来说，使用k-means是相当混乱的。我还认为k-means更适合于二维或多维聚类，对吗？有没有办法根据数字将一个N个数字的数组划分为多个分区/集群

有些人还建议进行严格的范围划分，但它并不总是将结果呈现为

---

不要对一维问题使用多维聚类算法。一个维度比你天真地想象的要特殊得多，因为你实际上可以对它进行排序，这使事情变得容易得多

事实上，它通常甚至不被称为聚类，而是例如分割或自然中断优化

你可能想看看和类似的统计方法也是一种很好的研究方法，具有很强的统计背景。密度中的局部极小值是将数据划分为簇的好地方，这是有统计原因的。KDE可能是对一维数据进行聚类的最可靠的方法

有了KDE，一维数据的表现就明显得多。在1D中，有局部极小值；但在2D中，你可能有鞍点和类似的“可能”分裂点。请参见这一点，了解这一点如何适合或不适合分割簇

有关如何在Python中执行此操作的示例，请参见（绿色标记是群集模式；红色标记是数据剪切点；y轴是密度的对数可能性）：

---

您可以寻找离散化算法。一维离散化问题和你们所问的非常相似。他们根据频率、装箱策略等确定分界点

在其离散化过程中使用以下算法

weka.filters.supervised.attribute.Discretize

使用Fayyad&Irani的MDL方法或Kononeko的MDL标准

weka.filters.unsupervised.attribute.Discretize

使用简单的装箱

是一个快速而直接的k-means聚类函数，尽管文档中有点浅显

示例用法 pip安装ckwrap

导入包装
nums=np.数组（[1,1,2,3,10,11,13,67,71]）
km=ckwrap.ckmeans（nums，3）
打印（公里标签）
# [0 0 0 0 1 1 1 2 2]
桶=[]、[]、[]
对于范围内的i（len（nums））：
桶[km.标签[i]].append（nums[i]）
打印（桶）
# [[1, 1, 2, 3], [10, 11, 13], [67, 71]]
退出（）

我希望作者打算让您使用nd数组功能，而不是创建列表列表

其他措施：

km.centers
km.k
公里大小
托斯公里
中间公里
维辛斯公里

---

基本算法基于此。

此处的实现：您能否更新您的答案，说明为什么

meanshift

或

dbscan

可能是或可能不是聚类1D的好方法？从本质上看，两者都是非常幼稚的近似核密度估计。meanshift是多元KDE的一种模式搜索方法，DBSCAN使用最原始的KDE（box-kernel）来定义什么是稠密的，什么不是。在一维数据上使用它们没有任何好处。但是，Ckmeans.1d.dp（适用于维度聚类的k-means）值得一看。参见@skoush，这是一个较慢的k-均值变量，可产生全局最优值（仅1d）。但是，如果SSQ k-means目标不能解决您的问题，那么您是否发现（通过SSQ）k-means解决方案比使用更快的标准算法好0.1%并不重要。嗨！该链接似乎不再可访问。。您还有其他资源吗？@mjsimulator固定链接