集群内部的集群是多类集群的数据表的嵌套集群

Question

如何在数据集中应用具有相似名称（如McDonald和Mc DOnald的字符串）的聚类，并且如果字符串相同（如sam和其他的sam），则如何再次基于值或价格进行聚类 例如- 考虑一个包含10个元素的数据表

name           price
ram               200
shyam             150
ram12              59
gita               45
ram 2                45 
g11ita                23
john2                32
john                 7
jonh21               8
jonh                 38
ram22                3

然后分组应该

ram                    200

ram12                  59
ram  2                 45

ram22                   3

john2                    32
jonh                     37

john                    7
john21                   8

gita                 45
g11ita               23      

我使用了模糊聚类和Levenheneitein距离的字符串聚类，但是它只能聚类字符串，而不能聚类价格 如何对第一个字符串进行聚类，如果相同则对价格进行聚类

Answer 1

您将需要仔细平衡文本相似度和数字相似度的阈值。不会有一个简单的解决方案，除非您有大量数据，否则手动方法可能是最好的。

短字符串的文本相似性非常不可靠。

例如：“ dog”和“ fog”仅相差一个字母，但很少出现错别字。它们的Levenshtein距离为1，最小的非零值！因此，如果您依赖Levenshtein，则将有很多误报-如果您手动验证它们，但不进行自动处理，就可以了。

因此，至少您需要使用一些知识来了解（a）不太可能拼错的现有单词，（b）常见拼写错误和（c）语音相似性，以估计单词拼写的可能性，（ d）键盘相似度，一个单词输错的可能性有多大...