Python 3.x K模式计算每个点和簇质心之间的距离

我有一组要聚类的分类变量，所以我使用的是从a中选取的k模式。我想得到每个观测（点）到它所属簇的质心的距离

这就是我迄今为止所实施的：

kmodes_cao = kmodes.KModes(n_clusters=6, init='Cao', verbose=1)
kmodes_cao.fit_predict(data)

# Print cluster centroids of the trained model.
print('k-modes (Cao) centroids:')
print(kmodes_cao.cluster_centroids_)

# Print training statistics
print('Final training cost: {}'.format(kmodes_cao.cost_))
print('Training iterations: {}'.format(kmodes_cao.n_iter_))

---

我不能使用欧氏距离，因为变量是分类的。计算每个点到其簇形心的距离的理想方法是什么？

例如，如果有两个变量V1，可以取A或B，V2可以取C或D 如果质心为V1=A和V2=D

对于每个变量i，当Vi=Ci（质心i）

如果实例V1=A和V2=C，则与质心的距离为1 这是一个二进制距离

---

如果有两个变量V1可以取A或B，V2可以取C或D，那么这将有帮助 如果质心为V1=A和V2=D

对于每个变量i，当Vi=Ci（质心i）

如果实例V1=A和V2=C，则与质心的距离为1 这是一个二进制距离

---

您可以使用库中的方法

matching_disim（）

要与数据集中的行进行比较，一个可以是您的质心，另一个可以是任何人。首先必须安装库

Panda

，然后使用以下行导入方法：

from kmodes.util.dissim import matching_dissim

---

您可以使用库中的方法

matching_disim（）

要与数据集中的行进行比较，一个可以是您的质心，另一个可以是任何人。首先必须安装库

Panda

，然后使用以下行导入方法：

from kmodes.util.dissim import matching_dissim

---

谢谢你的回答，但有点不清楚。你能详细说明一下吗？Kmods计算每个变量的模式值（最具代表性的类别）。因此，在学习结束时，假设数据集中有两个变量C1=（V1=category1，V2=category2）。。。C6=（V1=categoryX，V2=categoryY）如果要预测新实例的群集，则返回群集，该群集为您提供了计算实例与群集质心C之间距离的最小距离：如果Vi的值为，则可以对每个变量Vi使用此公式distance=0！=Ci距离+=1返回距离谢谢你的回答，但有点不清楚。你能详细说明一下吗？Kmods计算每个变量的模式值（最具代表性的类别）。因此，在学习结束时，假设数据集中有两个变量C1=（V1=category1，V2=category2）。。。C6=（V1=categoryX，V2=categoryY）如果要预测新实例的群集，则返回群集，该群集为您提供了计算实例与群集质心C之间距离的最小距离：如果Vi的值为，则可以对每个变量Vi使用此公式distance=0！=Ci距离+=1返回距离查看

KModes

函数的源代码。不要重新发明方向盘。我查看了它，但找不到距离是如何计算的。我在使用数据挖掘方面是新手，请您指导一下好吗？它甚至在文档中，即

cat_dissim

参数中。我正在尝试应用它，但不知道如何准确地使用它。代码可以贴在这里吗？谢谢你，我不用它，所以不用。你必须自己学习python。请看

KModes

函数的源代码。不要重新发明方向盘。我查看了它，但找不到距离是如何计算的。我在使用数据挖掘方面是新手，请您指导一下好吗？它甚至在文档中，即

cat_dissim

参数中。我正在尝试应用它，但不知道如何准确地使用它。代码可以贴在这里吗？提前谢谢。我不使用它，所以不用。你必须自己学习python。