最具代表性的集群实例

Question

对我的数据集（名为 data.matrix 的数据框）执行聚类分析后，我在末尾添加了一个名为 cluster 的新列（第 27 列）包含每个实例所属的集群名称。

我现在想要的是来自每个集群的代表性实例。我试图找到与集群质心欧几里得距离最小的实例（并为我的每个集群重复该过程）

这就是我所做的。你能想到其他——也许更优雅——的方式吗？ （假设没有空值的数字列）。

clusters <- levels(data.matrix$cluster)
cluster_col = c(27)

for (j in 1:length(clusters)) {
    # get the subset for cluster j
    data = data.matrix[data.matrix$cluster == clusters[j],]

    # remove the cluster column
    data <- data[,-cluster_col]

    # calculate the centroid
    cent <- mean(data)

    # copy data to data.matrix_cl, attaching a distance column at the end
    data.matrix_cl <- cbind(data, dist = apply(data, 1, function(x) {sqrt(sum((x - cent)^2))}))

    # get instances with min distance
    candidates <- data.matrix_cl[data.matrix_cl$dist == min(data.matrix_cl$dist),]

    # print their rownames
    print(paste("Candidates for cluster ",j))
    print(rownames(candidates))
}

Answer 1

如果你的距离公式没问题，我现在不知道。我认为应该有sqrt(sum((x-cent)^2)) 或sum(abs(x-cent))。我先假设。 第二个想法是仅仅打印解决方案不是一个好主意。所以我先计算，然后打印。 第三 - 我建议使用 plyr，但我同时提供（有和没有 plyr）解决方案。

# Simulated data:
n <- 100
data.matrix <- cbind(
  data.frame(matrix(runif(26*n), n, 26)),
  cluster=sample(letters[1:6], n, replace=TRUE)
)
cluster_col <- which(names(data.matrix)=="cluster")

# With plyr:
require(plyr)
candidates <- dlply(data.matrix, "cluster", function(data) {
  dists <- colSums(laply(data[, -cluster_col], function(x) (x-mean(x))^2))
  rownames(data)[dists==min(dists)]
})

l_ply(names(candidates), function(c_name, c_list=candidates[[c_name]]) {
    print(paste("Candidates for cluster ",c_name))
    print(c_list)
})

# without plyr
candidates <- tapply(
  1:nrow(data.matrix),
  data.matrix$cluster,
  function(id, data=data.matrix[id, ]) {
    dists <- rowSums(sapply(data[, -cluster_col], function(x) (x-mean(x))^2))
    rownames(data)[dists==min(dists)]
  }
)

invisible(lapply(names(candidates), function(c_name, c_list=candidates[[c_name]]) {
    print(paste("Candidates for cluster ",c_name))
    print(c_list)
}))

Answer 2

您对“k-means clustering”技术感兴趣吗？如果是这样，那么在每次迭代中计算质心的方式如下：

1. 选择一个 k 值（一个整数 指定集群的数量 划分你的数据集）；

2. 从数据中随机选择 k 行 集，这些是质心 第一次迭代；

3. 计算每个人的距离 数据点来自每个质心；

4. 每个数据点都有一个“最近 质心'，这决定了它的 '组';

5. 计算每个的平均值 组——这些是新的质心；

6. 返回步骤 3（停止标准 通常是基于比较 中的相应质心值 连续循环，即，如果它们 值变化不超过 0.01%， 然后退出）。

代码中的那些步骤：

# toy data set
mx = matrix(runif60, 10, 99), nrow=12, ncol=5, byrow=F)
cndx = sample(nrow(mx), 2)
# the two centroids at iteration 1
cn1 = mx[cndx[1],]
cn2 = mx[cndx[2],]
# to calculate Pearson similarity
fnx1 = function(a){sqrt((cn1[1] - a[1])^2 + (cn1[2] - a[2])^2)}
fnx2 = function(a){sqrt((cn2[1] - a[1])^2 + (cn2[2] - a[2])^2)}
# calculate distance matrix
dx1 = apply(mx, 1, fnx1)
dx2 = apply(mx, 1, fnx2)
dx = matrix(c(dx1, dx2), nrow=2, ncol=12)
# index for extracting the new groups from the data set
ndx = apply(dx, 1, which.min)
group1 = mx[ndx==1,]
group2 = mx[ndx==2,]
# calculate the new centroids for the next iteration
new_cnt1 = apply(group1, 2, mean)
new_cnt2 = apply(group2, 2, mean)