【发布时间】：2018-11-22 06:06:43
【问题描述】：
我尝试使用 DBSCAN（来自 scikit-learn）对文本文档进行聚类。我使用 TF-IDF（sklearn 中的 TfidfVectorizer）来创建每个文档的特征。
但是，我还没有找到一种方法来获取（打印）由 DBSCAN 聚类的文档。
sklearn 中的 DBSCAN 提供了一个名为“labels_”的属性，它允许我们获取集群组标签（例如，1、2、3、-1 表示噪声）。但是，我想获取由 DBSCAN 聚类的文档，而不是聚类组标签。
为了强调，我想知道属于每个集群的文档。 您能否提出一些方法来做到这一点？
非常感谢！
【问题讨论】：
-
请提供一个小的可重复样本数据集和您想要的数据集
-
TfidfVectorizer不是根据文本文档创建字典吗？ -
文档中的文本值未聚类。文档是聚集在一起的。文档由一个向量表示（其中包含词汇表中单词的多个 tf-idf 值）。这些向量是聚集的。但是这些向量是由 TfidfVectorizer 制成的，而不是 DBSCAN。所以请澄清你想做什么。您想查看哪些文档属于哪个集群吗？或者你想看词汇吗？还是你想看单个聚类中最具代表性的词？
-
大家好！谢谢你的cmets。我已经更新了问题描述。关于示例，我将尝试对其进行处理并再次更新描述。尽管如此，我希望更新后的问题描述已经足以澄清我的问题。
-
为此，您使用
labels_。它与原始文档的顺序相同。所以如果labels = [1, -1, 1, 2, 3, 2]，这意味着你的数据中的第一个文档属于cluster1，第二个文档有噪声，第三个文档又属于cluster1，依此类推
标签： machine-learning scikit-learn hierarchical-clustering dbscan