C# 聚类非矩阵字符串数组

我正在寻找一种实现集群算法的方法，该算法应该能够对字符串数组进行集群化

假设输入如下：

string[][] input =
{
     new string[] { "A", "B", "C", "D", "F", "G"},
     new string[] { "D", "F", "G", "H"},
     new string[] { "A", "B", "C", "G"},
     new string[] { "B", "C", "Z", "A", "F"},
     new string[] { "O", "N", "P", "X"}
};

算法应该能够识别项目0、2和3在同一个集群中。但是我该怎么做呢

我试过什么？ 我一直在尝试使用Accord.net框架构建KMeans集群。但我注意到Kmeans只适用于双精度数字（因此我将字符串[]中的每个值转换为一个数字，然后重试）。 作为距离的意思，我实现了距离

在这之后，我得到一个错误，说“点矩阵应该是矩形的。”这是有意义的，因为我的输入不是矩形矩阵

所以我问你们：我该如何实现这一点？在这种情况下，对项目进行聚类的最佳方法是什么？有什么想法或建议吗

代码示例：

double[][] inputs =
{
     new double [] { 0, 1, 2, 3, 4 },
     new double [] { 0, 1, 5, 2, 3, 4 },
     new double [] { 33, 0, 1, 5, 2, 4 },
     new double [] { 0, 1, 2, 6, 7,  8},
     new double [] { 0, 9, 1, 2, 6, 8 },
     new double [] { 0, 4, 10, 15, 11, 12, 13  },
     new double [] { 0, 4, 14, 15, 11, 12, 13, 16  },
     new double [] { 0, 17, 18, 11, 19, 12, 20},
     new double [] { 0, 17, 18, 11, 19, 12, 20, 15, 26},
     new double [] { 0, 4, 14, 15, 11, 12, 13, 16, 17, 18  },
     new double [] { 0, 21, 22, 23, 24, 26, 25},
     new double [] { 24, 26, 27, 21, 28, 29, 1},
     new double [] { 24, 243, 26, 30},
     new double [] { 31, 24, 22, 23, 0, 11, 26 }
     // Many others... 
};

var kmeans   = new KMeans(k: 3, distance: new JaccarDistanceDouble() );
var clusters = kmeans.Learn(inputs); // Throws the error.
int[] labels = clusters.Decide(inputs);

---

您可以单独对每个一维数组进行排序，然后用0填充缺少的值。此时，您可以应用

jaccard

或

cosine

等。

K-means需要连续变量

因为它需要计算平均值。因此得名

因此，您不能在此数据上使用k-means

---

相反，选择其他聚类算法。但我怀疑集群能否解决您的问题（但您没有解释您的问题）。更可能的是，诸如频繁项集挖掘之类的其他方法将是正确的方法。

不应将k-means用于分类数据聚类的原因是，分类数据的样本空间是离散的，并且没有自然来源。这样一个空间上的欧几里德距离函数并没有真正的意义

由于您正在处理字符串或分类数据，因此可以应用try

k-modes

算法。尽管分类数据聚类还有其他几种算法，但K-模式是经典K-均值的扩展。有关详细的讨论，您可以阅读以下内容。我不知道如何在

C#

中实现它，但是对于

R

您可以看到这一点

---

此外，您还可以进行一次热编码，即将分类变量表示为二进制向量，然后应用k-均值。但是你可能会面临维数灾难的风险。

我从未使用过这些算法，但我认为聚类算法的输入应该是Jaccard距离矩阵。后者是长方形的，类型为double。我会做一些测试，但我认为它不会起作用，因为KMeans需要计算元素[0]与其他元素之间的距离，这样他就可以计算K个最近的iten来形成一个簇。但我会试试你的建议。感谢@OlivierJacot DescombesOr将输入视为一维问题，其中输入是一组字母的数组。每组字母将被视为一个单独的物体，其与其他字母的距离必须确定。现在，聚类算法的输入是一个向量而不是一个矩阵。@OlivierJacot Descombes:不，k-means需要坐标，而不是距离。它只适用于连续变量。