R中的Kmeans聚类结合data.table包

Question

我有一个希望在其上进行 kmeans 聚类的数据集。

基本上有很多 ReEDSregion，在每个 ReEDSregion 内有很多类（ReEDSregion 1，class 1；ReEDSregion 1，class 2；ReEDSregion 2，class 1，等等）。

我想对每个 ReEDSregion 和类组合（按 ReEDSregion 和类）的变量“grid_cost”进行 10 个集群的 kmeans 聚类。
一些 ReEDSregion 和类组合的观测值少于 10 个，因此集群的数量与观测值的数量一样多。我首先为此创建了一个函数：

make_bins <- function (dtbl, nbins) {
  # we only need to cluster if there are more unique values for the grid cost than the number of bins desired
  if (dtbl[,length(unique(grid_cost))] > nbins) {
    bins <- kmeans(dtbl[, grid_cost], nbins)$cluster
  } else {
    unique_vals <- sort(unique(dtbl[, grid_cost]))
    bins <- dtbl[,which(unique_vals==grid_cost)]
  }
  return(bins)
}

然后我用数据表调用函数：

nbins <- 10
scurve[, bin := make_bins(.SD, nbins), by=c("ReEDSregion", "class")]

但它显示错误：

[.data.table(scurve, , :=(bin, make_bins(.SD, nbins)) 中的错误，by = c("ReEDSregion", :
提供 3 个项目分配给“bin”列中大小为 7 的第 8 组。 RHS 长度必须为 1（单个值即可）或与 LHS 长度完全匹配。如果您希望“回收” RHS，请明确使用 rep() 以向您的代码读者明确这一意图。

这是什么意思？有人可以帮我吗？

我的数据表版本是1.12.2。

Answer 1

错误是由于代码中的else 部分引起的，此时您的值比 bin 少。

在这种情况下你可以使用factor：

make_bins <- function (dtbl, nbins) {
  # we only need to cluster if there are more unique values for the grid cost than the number of bins desired
  if (dtbl[,length(unique(grid_cost))] > nbins) {
    bins <- kmeans(dtbl[, grid_cost], nbins)$cluster
  } else {
    bins <- dtbl[,dtbl[,as.numeric(factor(grid_cost))]]
  }
  return(bins)
}

使用mtcars进行测试：

m <- mtcars
setDT(m)
m[,grid_cost:=wt]

nbins <- 10
m[, bin := make_bins(.SD, nbins),by=c("cyl")]
m

     mpg cyl  disp  hp drat    wt  qsec vs am gear carb grid_cost bin
 1: 21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4     2.620   1
 2: 21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4     2.875   3
 3: 22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1     2.320   2
 4: 21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1     3.215   4
 5: 18.7   8 360.0 175 3.15 3.440 17.02  0  0    3    2     3.440   7
 6: 18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1     3.460   6
...