我有一个数据集如下:(我举了一个简单的例子,但真实的数据集要大得多)
V1 V2 V3 V4
1 1 0 0 1
2 0 1 1 0
3 0 0 1 0
4 1 1 1 1
5 0 1 1 0
6 1 0 0 1
7 0 0 0 1
8 0 1 1 1
9 1 0 1 0
10 0 1 1 0
...
其中 V1, V2,V3...Vn 是项目,1,2,3,4...1000 是事务。我想将这些项目划分为 k 个集群,以便在每个集群中,我拥有在同一事务中最常一起出现的项目。为了确定每对项目一起出现的次数,我尝试了交叉表,我得到了以下结果:
V1 V2 V3 V4
V1 4 1 2 3
V2 1 5 5 2
V3 2 5 7 2
V4 3 2 2 5
对于这个小例子,如果我想创建 2 个集群(k=2),使得一个集群必须包含 2 个项目(以保持集群之间的平衡),我将得到:
集群 1={V1,V4}
集群 2={V2,V3}
因为:
1) V1 出现频率更高,V4 (V1,V4)=3 > (V1,V3) > (V1,V2) 和 V4 相同。
2) V2 出现频率更高,V2 (V2,V3)=5 > (V2,V4) > (V2, V1) 和 V3 相同。
我怎样才能用 R 和更大的数据集做这个分区?