0

我正在实施k-Means。这是我的主要数据结构：

dt1 是带有 {Filename,featureVector,GroupItBelongsTo} 的 Data.table

dt1<- data.table(Filename=files[1:limit],Vector=list(),G=-1)
setkey(dt1,Filename)

featureVector 是一个列表。它有与出现相关的单词，我使用这一行将出现添加到每个单词：

featureVector[[item]] <- emaildt[email==item]$N

当我打电话时，我的控制台的一个典型摘录dt1是。

   Filename                          Vector          G
1: 000057219a473629b53d33cfedef590f.txt 1,1,1,1,1,1, 3
2: 00007afb5a5e467a39e517ae87e7fad5.txt 0,0,0,0,0,0, 3
3: 000946d248fdb1d5d05c59a91b00e8f2.txt 0,0,0,0,0,0, 3
4: 000bea8dc6f716a2cac6f25bdbe09073.txt 0,0,0,0,0,0, 3

我现在想为每个组号计算新的质心。这意味着我想将位置1处的所有向量位置、[2] 等相加。直到最后，然后 - 将它们全部平均。

示例：v1=[1,1,1], v2=[2,2,2]，我希望质心为 = c1=[1,5;1,5;1,5]

我尝试这样做： sapply(dt1[tt]$Vector,mean) （也尝试使用“sum”）并且它按行（在每个向量内）求和和“均值”，而不是按列（每个第 n 个分量）就像我想做的那样。

怎么做？

====更新，在评论中回答问题====

> head(dt1)

       Filename                         Vector       G
1: 000057219a473629b53d33cfedef590f.txt 1,1,1,1,1,1, 1
2: 00007afb5a5e467a39e517ae87e7fad5.txt 0,0,0,0,0,0, 1
3: 000946d248fdb1d5d05c59a91b00e8f2.txt 0,0,0,0,0,0, 3
4: 000bea8dc6f716a2cac6f25bdbe09073.txt 0,0,0,0,0,0, 4
5: 000fcfac9e0a468a27b5e2ad0f78d842.txt 0,0,0,0,0,0, 1
6: 00166a4964d6c939f8f62280b85e706d.txt 0,0,0,1,0,0, 1
> class(dt1)
[1] "data.table" "data.frame"
>

打字dt1$Vector给出（我只复制了一个小样本，它有更多的词，但它们看起来都一样）：

[[1]]
homosexuality       articles         church         people       interest 
         1              1              1              1              1 
    thread          email           send        warning          worth 
         1              1              1              1              1

这是 class() 输出

> class(dt1$Vector)
[1] "list"

打字时的截图：

 A<-as.matrix(t(as.data.frame(dt1$Vector)))

(A) 头部的结果，其中 A 为 as.matrix(t(as.data.frame(dt1$Vector)))

结果class(dt1$Vector[[1]])：

[1] "numeric"
4

1 回答 1

3

首先，（必须）您可以考虑使用 R 函数kmeans进行 k-means 聚类。如果您喜欢自己滚动，您可以轻松地计算数据表的质心，如下所示。首先，我将构建一些看起来像您的随机数据：

> set.seed(123)
> dt<-data.table(name=LETTERS[1:20],replicate(5,sample(0:4,20,T)),G=sample(3,20,T))
> head(dt)
   name V1 V2 V3 V4 V5 G
1:    A  1  4  0  3  1 2
2:    B  3  3  2  0  3 1
3:    C  2  3  2  1  2 2
4:    D  4  4  1  1  3 3
5:    E  4  3  0  4  0 2
6:    F  0  3  0  2  2 3

质心可以在一行中计算出来：

> dt[,lapply(.SD[,-1],mean),by=G]
   G       V1       V2   V3       V4       V5
1: 2 2.375000 2.250000 1.25 2.125000 2.250000
2: 1 2.800000 2.400000 2.40 1.800000 1.400000
3: 3 1.714286 2.428571 1.00 2.142857 1.857143

如果您要这样做，您可能希望（暂时）从数据表中删除名称，在这种情况下您可以这样做：

> dt2<-copy(dt)
> dt2$name<-NULL
> dt2[,lapply(.SD,mean),by=G]
   G       V1       V2   V3       V4       V5
1: 2 2.375000 2.250000 1.25 2.125000 2.250000
2: 1 2.800000 2.400000 2.40 1.800000 1.400000
3: 3 1.714286 2.428571 1.00 2.142857 1.857143

编辑：@Roland 建议的更好的方法是使用.SDcols：

dt[,lapply(.SD,mean),by=G,.SDcols=2:6]
于 2013-10-11T20:58:30.893 回答