我想使用KMeans聚类算法来分析配置文件数据。样本数据的格式为：
Features: name ISBN Date ID price ....
'A' '31NDB' '05/18/2014' 'CBDDN' 12.00
'B' '3241B' '08/19/2012/ 'ABCDE' 33.08
这些只是示例，真实数据不一定是这种格式。但是如果需要在这组数据上应用聚类算法，那么如何进行特征缩放，归一化部分呢？我该如何处理字符串值和日期值以及价格（双倍）值？这些价值观之间是否存在关系？我很困惑......
有什么想法吗？
答案 0 :(得分：1)
K-means和EM仅适用于数字数据。
将它们应用于名称/日期/价格类型数据没有多大意义。
如名称所示，算法需要计算均值。你如何计算你的名字＆＃34;柱？你可以为日期破解某些东西，但不能破坏名称。
错误的工具。
答案 1 :(得分：0)
您必须将非数字要素编码为数字。这是分类或序数特征的情况。
另外，如果某些功能对您的分析不重要，请考虑将它们丢弃。例如，如果您正在尝试群集书籍，那么购买日期可能不重要（或者可能是，取决于您所关注的内容），因此添加日期不会很重要有道理。
作为编码具有3个类别的变量的示例，您可以例如将其编码为3个变量[1,0,0]，[0,1,0]，[0,0,1]或as 2个变量[0,0]，[1,0]，[0,1]。 关于这个here还有一些讨论。
请注意，由于您的KMeans / GMM（因为您避开了EM）将计算点之间的距离，因此正确的编码尤其重要。了解它们的含义，特别是与不同的特征规范化方案一起使用时，尝试不同的方法来查看结果。