时间戳

首页 > 解决方案 > 如何使用 sklearn k-means 聚类根据彼此之间的相关性对 * 特征 * 进行聚类

python - 如何使用 sklearn k-means 聚类根据彼此之间的相关性对 * 特征 * 进行聚类

问题描述

我有一个熊猫数据框，其中行作为记录（患者）和 105 列作为特征。（每个患者的属性）

我想对患者进行聚类，而不是按照惯例对行进行聚类，而是对列进行聚类，以便我可以看到哪些特征与哪些其他特征相似或相关。我已经可以使用df.corr(). 但是我怎样才能将它们聚集到 k=2,3,4... 组中sklearn.cluster.KMeans呢？

我尝试KMeans(n_clusters=2).fit(df.T)了哪个确实对特征进行聚类（因为我采用了矩阵的转置），但仅使用欧几里得距离函数，而不是根据它们的相关性。我更喜欢根据相关性对特征进行聚类。

这应该很容易，但我会很感激你的帮助。

标签： pythonmachine-learningscikit-learnk-meanssklearn-pandas

解决方案

KMeans 在这种情况下不是很有用，但您可以使用任何可以处理距离矩阵的聚类方法。例如 - 凝聚聚类。

我将使用 scipy，sklearn 版本更简单，但没有那么强大（例如，在 sklearn 中，您不能将 WARD 方法与距离矩阵一起使用）。

from scipy.cluster import hierarchy
import scipy.spatial.distance as ssd

df = ...  # your dataframe with many features
corr = df.corr()  # we can consider this as affinity matrix
distances = 1 - corr.abs().values  # pairwise distnces

distArray = ssd.squareform(distances)  # scipy converts matrix to 1d array
hier = hierarchy.linkage(distArray, method="ward")  # you can use other methods

阅读文档以了解hier结构。

您可以使用打印树状图

dend = hierarchy.dendrogram(hier, truncate_mode="level", p=30, color_threshold=1.5)

最后，为您的特征获取集群标签

threshold = 1.5  # choose threshold using dendrogram or any other method (e.g. quantile or desired number of features)

cluster_labels = hierarchy.fcluster(hier, threshold, criterion="distance")

推荐阅读