Question

这可能是不可能的，但到目前为止谷歌已经让我失望，所以我希望其他人可能有一些见解。对不起，如果之前有人询问过。

背景是，我有一个关于不同城市的信息数据库，所以像年份一样，名称，人口，污染，犯罪等。我查询它以按城市汇总数据并将结果输出到表格。这很好。

下一步是我在数据集上运行R中的kmeans（）函数来查找集群，在测试中我发现5个集群几乎总是一个很好的选择，通过＆＃34肘法＆＃34;。

我遇到的问题是这些群集具有不同的含义/解释，因此我想用原始数据集中的每一行标记该行的解释，而不是群集号。因此，我不想用第3组＆＃34;第3组来识别第2行，我想说＆＃34;低人口，高犯罪率，低收入＆＃34;。

如果R会以相同的顺序输出集群，那么假设集群5总是等同于人口较少，犯罪率高，收入较低的城市集群，这样可以正常工作，但它不会＃39;吨。例如，如果您运行如下代码：

> a =  kmeans(city_date,centers=5)
> b =  kmeans(city_date,centers=5)
> c =  kmeans(city_date,centers=5)

运行此代码：

a$centers
b$centers
c$centers

群集将包含相同的数据集，但群集编号将不同。因此，如果我在SQL中有一个具有簇号和解释的映射表，它就不会起作用，因为当我运行它有一天它可能会有低人口，高犯罪率，低收入＆＃34;群集为5，下一个可能是2，接下来的4，等等。

我想弄清楚的是，是否有办法保持输出的一致性。数据集会得到更新，因此每次都不会相同，而且即使使用相同的数据集，R也不会保持集群顺序一致，我想知道它是否可行。

感谢任何人提供的任何帮助。在我的最后，我目前的想法是将$ centers数据输出到SQL表，然后按各种指标对表进行排序，每次最高/最低的数据被标记为这样，然后连接结果以标记级别。这可能有用，但并不优雅。

Answer 1

我知道这是一个很老的帖子，但我现在才遇到它。我今天遇到了同样的问题，并根据Barker提出的建议来提出解决方案：

library(dplyr)

# create a random data frame
df <- data.frame(id = 1:10, obs = sample(0:500, 10))

# use kmeans a first time to get the centers
centers <- kmeans(df$obs, centers = 3)$centers

# order the centers
centers <- sort(centers)

# call kmeans again but this time passing the centers calculated in the previous step
clusteridx <- kmeans(df$obs, centers = centers)$cluster

不是很优雅，但它有效。 clusteridx向量将始终根据中心按升序返回簇编号。

如果您愿意，也可以将其折叠为一行：

clusteridx <- kmeans(df$obs, centers = sort(kmeans(df$obs, centers = 3)$centers))$cluster

Answer 2

通常k-means随机初始化几次以避免局部最小值。如果要生成有序的聚类，则必须在k-means算法停止工作后手动对它们进行排序。

Answer 3

我自己没有这样做，所以我不确定它是否会奏效，但kmeans有参数：

centers - 群集数量，例如k，或一组初始（不同）群集中心。如果是数字，则选择x中随机的（不同）行作为初始中心。

如果您基本知道群集应该在哪里（可能是通过从您匹配的数据集中获取群集中心），则可以使用它来初始化模型。这将使起始位置非随机，因此群集应保持相同的顺序。此外，作为额外的好处，将群集中心初始化到接近最终的位置可以加快群集速度。

修改

我刚刚使用kmeans示例中的数据进行了检查，但是使用(1,1)处的第一个数据点和(0,0)处的第二个数据点进行初始化（用于生成群集的分布方式）如下。

x <- rbind(matrix(rnorm(100, sd = 0.3), ncol = 2), matrix(rnorm(100, mean = 1, sd = 0.3), ncol = 2)) colnames(x) <- c("x", "y") (cl <- kmeans(x, matrix(c(1,0,1,0),ncol=2))) plot(x, col = cl$cluster) points(cl$centers, col = 1:2, pch = 8, cex = 2)

重复运行后，我发现第一个集群始终位于右上角，第二个集群始终位于左下角，而2集群初始化则导致来回切换。如果您的群集具有一些近似的起始值（即，＃34;低人口，高犯罪率，低收入＆＃34;的量化），这可能是您的初始化并为您提供所需的结果。

Answer 4

在此示例中，将字母因子组归因于k均值聚类，从A到C的顺序从高到低。可以更改参数以适合您的数据。

df <- data.frame(id = 1:10, obs = sample(0:500, 10))
km <- kmeans(df$obs, centers = 3)
km.order <- as.numeric(names(sort(km$centers[,1])))
names(km.order) <- toupper(letters)[1:3]
km.order <- sort(km.order)
clus.order <- factor(names(km.order[km$cluster]))

Answer 5

此函数使用一维输入运行kmeans，并返回具有合理编号簇的普通“ kmeans”对象，而无需两次运行kmeans。

ordered_kmeans = function(x, centers, iter.max = 10, nstart = 1,
                          algorithm = c("Hartigan-Wong", "Lloyd", "Forgy",
                                        "MacQueen"), 
                          trace = FALSE,
                          desc = TRUE) {

  if (NCOL(x) > 1) {
    stop("only one-dimensional inputs are allowed")
  }
  
  k = kmeans(x = x, centers = centers, iter.max = iter.max, nstart = nstart,
             algorithm = algorithm, trace = trace)
  
  centers_ind = order(k$centers, decreasing = desc)
  
  centers_ord = setNames(seq_along(k$centers), nm = centers_ind)
  
  k$cluster  = unname(centers_ord[as.character(k$cluster)])
  k$centers  = matrix(k$centers[centers_ind], ncol = 1)
  k$withinss = k$withinss[centers_ind]
  k$size     = k$size[centers_ind]
 
  k
}

用法示例：

vec = c(20.28, 9.49, 7.14, 2.48, 2.36, 1.82, 1.3, 1.26, 1.11, 0.98, 
        0.81, 0.73, 0.66, 0.63, 0.57, 0.53, 0.44, 0.42, 0.38, 0.37, 0.33, 
        0.29, 0.28, 0.27, 0.26, 0.23, 0.23, 0.2, 0.18, 0.16, 0.15, 0.14, 
        0.14, 0.12, 0.11, 0.1, 0.1, 0.08)

# For comparispon
set.seed(1)
k = kmeans(vec, centers = 3); k

set.seed(1)
k = ordered_kmeans(vec, centers = 3); k

set.seed(1)
k = ordered_kmeans(vec, centers = 3, desc = FALSE); k

在R中使用Kmeans的一致群集顺序

5 个答案: