python中k-means聚类算法中分类数据的逼近方法

我面临以下问题。我有一个包含以下字段的csv文件

vendor, number_of_products, price, shipping_country

我正试图使用sci工具包中的python和k-means对其进行集群。我遇到的主要问题是如何处理分类数据（更具体的是包含国家字符串的

shipping\u country

字段）。

---

我的目的是将权重分配给

shipping\u country

字段。我最初的想法是用1-20之间的数字替换每个国家（例如，1比20“强”——全球-->1，巴拿马-->20）。这种方法的问题在于它在科学上是无效的（或者至少我还没能证明这一点）。有人有什么建议吗？由于时间紧迫，如果可能的话，我将非常感谢您提供一个编码示例！我正在使用python。提前谢谢你

正如我在评论中提到的，我认为你不一定要给那个专栏增加权重。你想要的（我认为）是一种将类别数字化的方法。这可以通过一个热编码在sci工具包学习中完成。在熊猫中，这是通过pd.get_dummies（）完成的

我将向您展示这是如何工作的：

df = pd.DataFrame({'nums' : [1, 4, 6, 7],
                   'colors': ['red', 'blue', 'green', 'yellow']})

df
Out[21]: 
   nums  colors
     1     red
     4    blue
     6   green
     7  yellow

pd.get_dummies(df)
Out[22]: 
   nums  colors_blue  colors_green  colors_red  colors_yellow
     1            0             0           1              0
     4            1             0           0              0
     6            0             1           0              0
     7            0             0           0              1

现在，对于“颜色”中的每个类别，我们都有一个带有二进制指示符的新列。然而，这里的信息太多了。在处理预测/回归时，您必须担心多重共线性，这是由预测集合中的冗余信息引起的

在这种情况下，如果所有其他指示符都为0，我们可以推断颜色为蓝色。换句话说，我们不需要蓝色列来表示蓝色，我们可以从其他列中包含的信息推断蓝色

出于这些原因，您可能希望添加参数

drop\u first=True

，如下所示

pd.get_dummies(df, drop_first=True)
Out[23]: 
   nums  colors_green  colors_red  colors_yellow
     1             0           1              0
     4             0           0              0
     6             1           0              0
     7             0           0              1

---

如果不知道您的具体用例，我无法告诉您使用哪个。但是，我认为，在大多数情况下，您可能确实希望删除其中一个分类列

您使用什么库进行k-means聚类，以及为什么您认为需要对国家进行加权？欢迎来到StackOverflow。请按照您创建此帐户时的建议，阅读并遵循帮助文档中的发布指南，在这里申请。StackOverflow不是设计、编码、研究或教程资源。然而，如果你遵循你在网上找到的任何资源，进行诚实的编码尝试，并遇到问题，你就会有一个很好的例子来发布。首先，不能将kmeans与字符串一起使用。然后我认为

shipping\u country

应该在决定供应商的实力方面发挥作用：在全球范围内发货的人比只向一个国家发货的人更强大。然而，在这一点上，更重要的是找到一种方法，将

装运国

包括在聚类过程中，因此我愿意接受建议。听起来你想要的是一个热编码而不是加权。如果你按照@Prune提供的链接中的描述编辑问题，我可以帮助你解决这个问题。你是对的。完全忽略了指导原则-希望这更好。这正是我想要的。关于

drop_first

，我认为使用它对我有好处，因为我有一个几乎15个国家的列表——一列更少。