R中缺少分类和数值的聚类算法答案

【问题标题】：Clustering algorithm in R for missing categorical and numerical valuesR中缺少分类和数值的聚类算法
【发布时间】：2014-07-24 11:09:40
【问题描述】：

我想对 R 中缺少分类值和数值的数据集执行营销细分聚类。由于缺少值，我无法执行 k-means 聚类。

R 版本 3.1.0 (2014-04-10)

平台：x86_64-apple-darwin13.1.0（64 位）

Mac OSX 10.9.3 4GB 硬盘

R 中是否有可以适应部分填充率的聚类算法包？查看有关缺失值的学术文章，研究人员为特殊用例创建了一种新算法，并且包在 R 中不可用。例如，具有软约束的 k-means 和具有部分距离策略的 k-means 聚类。

我有 36 个变量，但这里是前 5 个变量的描述：

head(df)

  user_id    Age   Gender Household.Income Marital.Status
1   12945           Male                                
2   12947           Male                                
3   12990                                                  
4   13160   25-34   Male   100k-125k         Single
5   13195           Male    75k-100k         Single
6   13286

如果我可以提供更多信息，请告诉我。

【问题讨论】：

@EDi，在传统聚类方法之前，面向矩阵的方法存在可扩展性问题。我收到一个关于无法分配特定大小的向量的错误。

标签： r machine-learning cluster-analysis missing-data

【解决方案1】：

k-means 算法在存在分类变量的情况下通常不是首选。 k-means 有一个变体，称为 k-prototypes，它可以处理混合数据类型。你可以找到更多关于可以做到这一点的包here。

对于缺失值，您可以删除这些行（这通常不是首选）或估算合适的值。通常，对于数值，可以估算平均值，对于分类变量，可以估算众数。或者，对于插补，可以使用标准包，例如鼠标。

参考：

Z.Huang (1998)：使用分类变量对大型数据集进行聚类的 k-Means 算法的扩展、数据挖掘和知识发现 2, 283-304。

【讨论】：

【解决方案2】：

Eduardo 的答案的一个变体是使用稀疏矩阵近似来填充缺失的单元格，然后进行聚类。一旦对所有值进行了估计，就可以使用分层或 k-means。请参阅 Amelia 或 softImpute 包。

【讨论】：

【解决方案3】：

我建议使用带有 Gower 指标的层次聚类 (HC)。检查用空单元格替换 NA 的可能性。

HC 可以处理分类值和数值。查看 R 中的 daisy 包。

daisy(x, metric ="gower",stand = FALSE, type = list(), weights = rep.int(1, p))

【讨论】：