Python 根据标准化的相互信息得分获得标签的最佳映射

我有许多不同的集群过程，每个过程都将一个集合分割成若干个带标签的分区

e、 g.给定集合{1,2,3,4,5,6}，我可以收集如下标签：

A = [1,1,2,2,3,3] 
B = [3,3,1,1,2,2]
C = [1,1,1,1,2,2]
D = [1,2,3,3,4,4]

这里A和B彼此100%一致，因为可以在标签之间创建1-1映射A.k.A.置换，将A转换为B，反之亦然。这样的映射可能看起来像{1:3，2:1，3:2}

C也有一些一致性，因为A和B都可以使用{1:1，2:1，3:2}将A->C映射，或者使用{3:1，1:1，2:2}将B->C映射。或者，也可以从A->B->C链接映射

因此，每一个标签方案都会对集合进行划分，在某些情况下，100%的人彼此同意，只是没有就共同的标签方案达成一致

D是一种稍有不同的情况，因为D包含更多的分区，所以不可能映射到它，但如果需要，可以从D映射到a或C

可以使用sklearn的标准化相互信息评分来衡量分区之间的相似性，但我想做的是确定可以执行的最佳标签映射，以标准化标签方案。其中“best”是所有分区共享一组公共标签所需的映射

在分区将集合划分为固定的k个组的情况下，我发现了一种方法，其工作原理是将分区用作特征集，并对该特征集进行k-均值聚类，但当给定聚类中的分区数不同时，这种方法不起作用

---

由于标准化的相互信息分数能够看穿标签的差异，是否有办法识别执行相同任务的映射，标准化不同的标签，以便对其进行更仔细的分析？

匈牙利算法是寻找最佳映射的首选方法

它解决了运输问题。每个集群都是供应商，每个标签都是消费者。当每个供应商与一个消费者匹配时，它可以最大化流量