我正在尝试使用 scikit-learn 来聚类文本文档。总的来说，我找到了解决办法，但我在特定问题上遇到了问题。我发现的大多数示例都说明了使用 scikit-learn 和 k-means 作为聚类算法的聚类。在我的设置中采用这些带有 k-means 的示例原则上是可行的。但是，k-means 不适合，因为我不知道集群的数量。从我目前阅读的内容来看——如果需要，请在此处纠正我——DBSCAN 或 MeanShift 似乎更适合我的情况。scikit-learn 网站提供了每个集群算法的示例。现在的问题是，对于 DBSCAN 和 MeanShift，我都会遇到我无法理解的错误，更不用说解决了。
我的最小代码如下：
docs = []
for item in [database]:
docs.append(item)
vectorizer = TfidfVectorizer(min_df=1)
X = vectorizer.fit_transform(docs)
X = X.todense() # <-- This line was needed to resolve the isse
db = DBSCAN(eps=0.3, min_samples=10).fit(X)
...
（我的文档已经被处理过，也就是说，停用词已被删除，并且已经应用了 Porter Stemmer。）
当我运行此代码时，在启动 DBSCAN 并调用时出现以下错误fit()：
...
File "/usr/local/lib/python2.7/dist-packages/sklearn/cluster/dbscan_.py", line 248, in fit
clust = dbscan(X, **self.get_params())
File "/usr/local/lib/python2.7/dist-packages/sklearn/cluster/dbscan_.py", line 86, in dbscan
n = X.shape[0]
IndexError: tuple index out of range
单击dbscan_.py引发错误的行，我注意到以下行
...
X = np.asarray(X)
n = X.shape[0]
...
当我直接在我的代码中使用这些行进行测试时，我得到了同样的错误。我真的不知道np.asarray(X)这里在做什么，但是在 command 之后X.shape = ()。因此X.shape[0]，炸弹——之前，X.shape[0]正确地指的是文件的数量。出于好奇，我X = np.asarray(X)从dbscan_.py. 当我这样做时，某些东西正在大量计算。但几秒钟后，我收到另一个错误：
...
File "/usr/lib/python2.7/dist-packages/scipy/sparse/csr.py", line 214, in extractor
(min_indx,max_indx) = check_bounds(indices,N)
File "/usr/lib/python2.7/dist-packages/scipy/sparse/csr.py", line 198, in check_bounds
max_indx = indices.max()
File "/usr/lib/python2.7/dist-packages/numpy/core/_methods.py", line 17, in _amax
out=out, keepdims=keepdims)
ValueError: zero-size array to reduction operation maximum which has no identity
简而言之，我不知道如何让 DBSCAN 正常工作，或者我可能错过了什么。