我需要对一组消费者数据运行聚类算法，但我不知道如何处理基于文本的字段（完美的例子是字母数字邮政编码，例如SE1 8XR）。
显然我需要使用的是一个字符串内核，我理解它的基本思想，但不能很好地成功实现。
理想情况下，我希望新的数字向量能够编码这样的想法，即两个邮政编码越不相同，数据点就越远，但不知道如何做到这一点，我无法找到一本有用的教程，指南或教科书！
我也是在Python中这样做，以防有人知道某个库可能有用。
答案 0 :(得分：2)
重新编码
您无法将邮政编码比作字符串。 “AL1 1AA”是圣奥尔本斯，“AB1 1AA”是阿伯丁。它们在编辑距离上非常接近，但CR6 7DX更接近圣奥尔本斯：）
您最好的方法可能是从http://www.ordnancesurvey.co.uk/oswebsite/products/os-opendata.html获取一些查询表（我知道您可以从Royalmail购买），这可能来自邮政编码，或者至少是一个扇区'AL1 1'（甚至可能是区'AL1）例如，然后将其映射到lat / lon，然后将其用于存储数据。
其他字符串
一种可能的选择是使用difflib.SequenceMatcher返回两个字符串彼此相似程度的百分比（还有很多其他算法：谷歌“遗传字符串算法”，“模糊字符串匹配“，”字符串相似度算法“等...）。将所有（可能）80％相似的字符串分组，并为这些字符串分配 - 然后在该组上分配集群。
你也可以找到metaphone＆amp;双变量电话（可能ntlk）有用，具体取决于您的要求和数据的复杂程度。