在R中对字符串进行聚类（可能吗？）
我有一个数据集，其中有一列当前被视为1000+级别的因子。这些是列的值。我想清理这些数据。 有些值是字符串，比如“-18+5=-13”和“5-18=-13”，我希望集群对这些值进行分组，而不是说“R3no4” 这在R中可能吗？我查看了自然语言处理任务视图，但我需要朝着正确的方向前进 数据集来自 我想从本专栏中创建有意义的新专栏，以帮助创建预测模型。例如，最好知道字符串是否包含某个操作，或者它是否不包含任何操作，而是在描述问题 我的数据框如下所示：在R中对字符串进行聚类（可能吗？）,r,csv,machine-learning,cluster-analysis,R,Csv,Machine Learning,Cluster Analysis,我有一个数据集，其中有一列当前被视为1000+级别的因子。这些是列的值。我想清理这些数据。 有些值是字符串，比如“-18+5=-13”和“5-18=-13”，我希望集群对这些值进行分组，而不是说“R3no4” 这在R中可能吗？我查看了自然语言处理任务视图，但我需要朝着正确的方向前进 数据集来自 我想从本专栏中创建有意义的新专栏，以帮助创建预测模型。例如，最好知道字符串是否包含某个操作，或者它是否不包含任何操作，而是在描述问题 我的数据框如下所示： str(data1) 'data.frame':
str(data1)
'data.frame': 809694 obs. of 19 variables:
$ Row : int 1 2 3 4 5 6 7 8 9 10 ...
$ Anon.Student.Id : Factor w/ 574 levels "02i5jCrfQK","02ZjVTxC34",..: 7 7 7 7 7 7 7 7 7 7 ...
$ Problem.Hierarchy : Factor w/ 138 levels "Unit CTA1_01, Section CTA1_01-1",..: 80 80 80 80 80 80 80 80 80 80 ...
$ Problem.Name : Factor w/ 1084 levels "1PTB02","1PTB03",..: 377 377 378 378 378 378 378 378 378 378 ...
$ Problem.View : int 1 1 1 1 2 2 3 3 4 4 ...
$ Step.Name : Factor w/ 187539 levels "-(-0.24444444-y) = -0.93333333",..: 116742 177541 104443 64186 58776 58892 153246 153078 45114 163923 ...
[97170] (1+7)/4 = x
[97171] (1-sqrt(1^2-4*2*-6))/4 = x
[97172] (1-sqrt(1^2-(-48)))/4 = x
[97173] (1-sqrt(1-(-48)))/4 = x
[97174] (1-sqrt(49))/4 = x
[97175] (1-7)/4 = x
[97176] x^2+15x+44 = 0
[97177] a-factor-node
[97178] b-factor-node
[97179] c-factor-node
[97180] num1-factor-node
[97181] num2-factor-node
[97182] den1-factor-node
[97183] (-15?sqrt((-15)^2-4*1*44))/2 = x
[97184] (-15+sqrt((-15)^2-4*1*44))/2 = x
[97185] (-15+sqrt((-15)^2-176))/2 = x
[97186] (-15+sqrt(225-176))/2 = x
[97187] (-15+sqrt(49))/2 = x
[97188] (-15+7)/2 = x
[97189] (-15-sqrt((-15)^2-4*1*44))/2 = x
[97190] (-15-sqrt((-15)^2-176))/2 = x
[97191] (-15-sqrt(225-176))/2 = x
[97192] (-15-sqrt(49))/2 = x
[97193] (-15-7)/2 = x
[97194] 2x^2+x = 0
[97195] a-factor-node
[97196] b-factor-node
[97197] c-factor-node
[97198] num1-factor-node
[97199] num2-factor-node
[97200] den1-factor-node
[97201] (-1?sqrt((-1)^2-4*2*0))/4 = x
[97202] (-1+sqrt((-1)^2-4*2*0))/4 = x
[97203] (-1+sqrt((-1)^2-0))/4 = x
[97204] (-1+sqrt((-1)^2))/4 = x
[97205] (-1+1)/4 = x
[97206] (-1-sqrt((-1)^2-4*2*0))/4 = x
[97207] (-1-sqrt((-1)^2-0))/4 = x
[97208] (-1-sqrt((-1)^2))/4 = x
[97209] (-1-1)/4 = x
[97210] x^2-6x = 0
[97211] a-factor-node
[97212] b-factor-node
> grepl("[[:alpha:]]", c("-18 + 5 = -13", "5 - 18 = -13","R3no4") )
[1] FALSE FALSE TRUE
聚类就是根据某个度量对数据数组中的每个实例进行评分，根据计算出的分数对数据数组进行排序，然后将其分为若干段，为每个段分配一个标签 换句话说，您可以对任何数据进行聚类，您可以为这些数据制定一些有意义的函数来计算每个数据点与其他数据点的相似性；这通常被称为相似性度量 其中有很多，但只有一小部分对计算字符串有用。其中，最常用的可能是Levenshtein距离（又称编辑距离） 该度量用整数表示，它为将一个单词转换为另一个单词所需的每个“编辑”（插入、删除或更改字母）增加一个单位（+1）。将这些单独的编辑相加（每个字母一个）可以得到Levenshtein距离 vwr软件包包括一个实现：
> library(vwr)
> levenshtein.distance('cat', 'hat')
hat
1
> levenshtein.distance('cat', 'catwalk')
catwalk
4
> levenshtein.distance('catwalk', 'sidewalk')
sidewalk
4
> # using a data set supplied with the vmr library
> EW = english.words
> ew1 = sample(EW, 20) # random select 20 words from EW
> # the second argument is a vector of words, returns a vector of distances
> dx = levenshtein.distance('cat', ew1)
> dx
furriers graves crooned cursively gabled caparisons drainpipes
8 5 6 8 5 8 9
patricians medially beholder chirpiness fluttered bobolink lamentably
8 7 8 9 8 8 8
depredations alights unearthed thimbles supersede dissembler
10 6 7 8 9 10
（下一个最常见的对字符串进行操作的相似性度量可能是汉明距离。汉明距离（与Levenshtein不同）要求两个字符串的长度相等，因此它不适用于您的数据。）嗨，Harry，我不确定您想做什么。你所说的“集群”是什么意思。你是说分类吗？是否要以某种方式对数据集的行进行排序？能否请您发布数据集的一小部分，然后说明您希望该数据集如何订购？我认为为我们提供更多示例会有所帮助。这就是我所拥有的，这就是我想要的结果。如果你需要被“推向正确的方向”，你需要用自然语言解释“R3no4”与其他两个表达的区别。正则表达式可用于区分包含alpha的字符值。这些值从何而来？您是指包装
vwrvmrutils:：adistbase:：agrep