我正在研究一个 python 项目，我在其中研究 RNA 结构进化（表示为字符串，例如：“(((...)))”，其中括号表示碱基对）。关键是我有一个理想的结构和一个朝着理想结构发展的人口。我已经实现了一切，但是我想添加一个功能，我可以在其中获得“桶数”，即每一代人口中最具代表性的 k 个结构。
我正在考虑使用 k-means 算法，但我不确定如何将它与字符串一起使用。我找到了scipy.cluster.vq，但我不知道如何在我的情况下使用它。
谢谢！
【问题讨论】：
标签： python algorithm cluster-analysis bioinformatics k-means
如果使用scipy.cluster.vq.kmeans，您将面临的一个问题是该函数使用欧几里得距离来测量接近度。要将您的问题固定为可通过k-means 聚类解决的问题，您必须找到一种将字符串转换为数值向量的方法，并能够证明使用欧几里得距离作为接近度的合理衡量标准。
这似乎……很难。也许您正在寻找Levenshtein distance？
请注意，variants of the K-means algorithm 可以使用非欧几里得距离度量（例如 Levenshtein 距离）。 K-medoids（又名 PAM），例如，can be applied to data with an arbitrary distance metric。
例如，使用Pycluster's实现k-medoids，和nltk's实现Levenshtein距离，
import nltk.metrics.distance as distance
import Pycluster as PC
words = ['apple', 'Doppler', 'applaud', 'append', 'barker',
'baker', 'bismark', 'park', 'stake', 'steak', 'teak', 'sleek']
dist = [distance.edit_distance(words[i], words[j])
for i in range(1, len(words))
for j in range(0, i)]
labels, error, nfound = PC.kmedoids(dist, nclusters=3)
cluster = dict()
for word, label in zip(words, labels):
cluster.setdefault(label, []).append(word)
for label, grp in cluster.items():
print(grp)
产生类似的结果
['apple', 'Doppler', 'applaud', 'append']
['stake', 'steak', 'teak', 'sleek']
['barker', 'baker', 'bismark', 'park']
【讨论】：
K-means 仅适用于欧式距离。编辑距离（例如 Levenshtein）不甚至不服从三角不等式 可能服从三角不等式，但不是欧几里得。对于您感兴趣的指标类型，您最好使用不同类型的算法，例如层次聚类：http://en.wikipedia.org/wiki/Hierarchical_clustering
或者，只需将您的 RNA 列表转换为加权图，边缘带有 Levenshtein 权重，然后将其分解为最小生成树。从某种意义上说，该树中连接最多的节点将是“最具代表性的”。
【讨论】：
K-means 并不真正关心所涉及的数据类型。做 K-means 所需要的只是某种方法来测量从一个项目到另一个项目的“距离”。它会根据距离来做自己的事情，而不管它是如何从基础数据中计算出来的。
也就是说，我没有使用过scipy.cluster.vq，所以我不确定你如何准确地告诉它项目之间的关系，或者如何计算从项目 A 到项目 B 的距离。
【讨论】：
Kmeans 需要的是“距离”度量（代表向量的数字，以便它可以找到向量之间的距离并根据距离将它们聚集在质心周围）。以下是我为您编写的一些示例：
假设您有表示日期的字符串，例如2019-06-27
15:52:41.623Z。在这种情况下，您要做的是选择一个日期，比如 UTC 时间戳开始的时间。现在以开始日期和时间为参考，您可以计算到每个日期字符串的“距离”。
假设您有代码字符串，if(a == b) 与 if(a == c)
那么您可能想要使用不同的“距离”，例如
字符串之间不同的字符。
或者如果你有 Html DOM 结构，<html></html> vs
<html><head></head></html> 你可能不想计算字符数
但是有多少标签与您的“距离”不同。
或者对于数据库中的已知枚举，您可以根据自己的枚举之间的“距离”概念将每个键定义为不同的数字。例如，“男性”、“女性”、“中性”如果定义为向量 [0]、[1]、[2]，则意味着中性比男性更接近女性。所以你可能想做 [0],[2],[1] 或 [-1],[1],[0]。
对于问题中询问的 RNA/DNA 结构，“距离”可能是 链之间有多少个碱基对不同。
我希望你能明白。因此，您需要考虑字符串的内容是什么，并考虑定义内容之间“距离”的最佳方法。简单的字符差异距离可以作为字符串之间的通用距离度量，但是如果您获得更好的距离想法，您的算法会更好地工作。
【讨论】：