1

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?

4

4 回答 4

2

我想你是在问关于集群的问题。它与您在上面所做的并不完全相同,但您可以使用hclust合适的距离度量来寻找变量之间的相似性。

例如

plot(hclust(dist(t(df),method="binary")))

产生以下...

在此处输入图像描述

您应该查看?dist此距离度量在您的上下文中是否有意义,以及?hclust在获得树状图后您可以做的其他事情(例如识别集群)。

或者您可以使用交叉表作为距离矩阵(也许取值的倒数,然后as.dist)。

于 2018-03-28T09:41:21.323 回答
1
library(data.table)

数据:

df<-
fread("
    V1 V2 V3
1    1  0  0
2    0  0  1
3    0  0  1
4    1  1  1
5    0  0  1
6    1  0  0
7    0  0  0
8    0  1  1
9    1  0  1
10   0  1  1
")[,-1]

代码:

setDT(df)
sapply(names(df),function(x){
    df[get(x)==1,lapply(.SD,sum,na.rm=T),.SDcols=names(df)]
    })

结果:

   V2 V3 V4
V2 4  1  2 
V3 1  3  3 
V4 2  3  7 
于 2018-03-28T09:18:48.757 回答
0
df <- read.table(text="
ID V1 V2 V3 
1    1  0  0
2    0  0  1
3    0  0  1
4    1  1  1
5    0  0  1
6    1  0  0
7    0  0  0
8    0  1  1
9    1  0  1
10   0  1  1
", header = TRUE) 

k = 3 # number of clusters

library(dplyr)
df %>% 
  # group and count on all except the first id column
  group_by_at(2:ncol(df)) %>%
  # get the counts, and collect all the transaction ids
  summarize(n = n(), tran_ids = paste(ID, collapse = ',')) %>%
  ungroup() %>%
  # grab the top k summarizations
  top_n(k, n)

# V1    V2    V3     n tran_ids
# <int> <int> <int> <int> <chr>   
# 1     0     0     1     3 2,3,5   
# 2     0     1     1     2 8,10    
# 3     1     0     0     2 1,6  
于 2018-03-28T09:29:00.807 回答
0

您可以转置表格并使用标准聚类方法。因此,您将对项目进行聚类。特征是交易。

几何方法可以像 kmeans 一样使用。或者,您可以使用提供信息标准(如 BIC)的混合模型来选择集群的数量。这是一个R脚本

require(VarSelLCM)

my.data <- as.data.frame(t(df))
# To consider Gaussian mixture
# Alternatively Poisson mixture can be considered by converting each column into integer.
for (j in 1:ncol(my.data)) my.data[,j] <- as.numeric(my.data[,j])

## Clustering by considering all the variables as discriminative
# Number of clusters is between 1 and 6
res.all <- VarSelCluster(my.data, 1:6, vbleSelec = FALSE)

# partition
res.all@partitions@zMAP

# shiny application
VarSelShiny(res.all)


## Clustering with variable selection
# Number of clusters is between 1 and 6
res.selec <- VarSelCluster(my.data, 1:6, vbleSelec = TRUE)

# partition
res.selec@partitions@zMAP

# shiny application
VarSelShiny(res.selec)
于 2018-03-28T14:23:50.327 回答