將數據集劃分爲兩個聚類，總等差異相等

我有一個數據集，它由多個元素組成 - 分爲兩個不同的類別（每個類別的元素數量相同） - 以及兩個連續變量描述它們，就像這樣：將數據集劃分爲兩個聚類，總等差異相等

ID | Category | Variable_1 | Variable_2 
-------------------------------------------- 
1 | Triangle | 4.3522  | 5.2321 
2 | Triangle | 3.6423  | 6.3223 
3 | Circle | 5.2331  | 3.2452 
4 | Circle | 2.6334  | 7.3443 
... | ...  | ...   | ...

現在，我想我的數據集分成儘可能與儘可能關於在各組的平均在於二維空間的兩個新集，由Variable_1和Variable_2定義。也就是說，兩套之間的距離應儘可能接近。另外，如果可能的話（因爲我知道這可能會使問題變得更加複雜），所以我希望兩個集合中的差異儘可能匹配，例如我們可以在其中定義整個集合的方差作爲每個變量的方差之和。在這裏，我想你只是在你的空間中添加另一個方差來尋找方差，並試圖找到由兩個變量和方差組成的整個三維空間的最佳解決方案。

如何在R中實現這一點？

來源

2014-10-29 Speldosa

聽起來像你真的想**聚類**。具體分爲2個集羣。但是，您的等總差異度量標準是非標準的。請參閱http://en.wikipedia.org/wiki/K-means_clustering – smci 2014-10-29 23:27:03

@speldosa恭敬地，我認爲k-means在這種情況下是行不通的。 2個質心實際上是兩個樣本的平均值，顯然不可能是相同的，否則我們不會有2個樣本。質心是最好的，如果它們儘可能遠離彼此。你也可以查看[這裏]（http://home.deib.polimi.it/matteucc/Clustering/tutorial_html/kmeans.html）。附：我總是開放討論:) – LyzandeR 2014-10-30 09:51:03

@smci對不起，上面的消息是針對你而不是speldosa :)。對於那個很抱歉。 – LyzandeR 2014-10-30 10:02:58

我會嘗試解決這個問題的方法是（如上所述）關心變量1和變量2之間的距離。因此，我會創建一個名爲distance的新字段（下面我將它命名爲diff），它將被計算爲variable1-variable2。然後，我會按該列對數據框進行排序，並逐行拆分數據幀，即每個奇數行將進入pot1，每個偶數行將進入pot2。這表現爲以下代碼作爲示例：

id<-1:2000 
a<-runif(2000,-100,100) 
b<-runif(2000,-200,200) 
mydf <- data.frame(id,a,b) 

mydf['diff'] <- mydf[['a']] - mydf[['b']] 
mydf<-mydf[with(mydf, order(diff)), ] 

head(mydf,20)

輸出：

> head(mydf,20) #as you can see the dataframe is ordered by diff (ascending) 
     id   a  b  diff 
1732 1732 -95.96522 198.1666 -294.1318 
187 187 -94.24905 196.9341 -291.1831 
338 338 -95.31069 194.9997 -290.3104 
231 231 -91.98249 194.0672 -286.0497 
1513 1513 -97.01006 183.5874 -280.5974 
715 715 -94.53303 185.1026 -279.6356 
145 145 -99.73511 178.2460 -277.9811 
979 979 -87.73586 190.0489 -277.7848 
1165 1165 -85.53447 187.6254 -273.1598 
1243 1243 -94.75502 176.8572 -271.6122 
1208 1208 -77.32021 189.1589 -266.4791 
1826 1826 -92.23949 171.6341 -263.8736 
167 167 -98.84123 163.6960 -262.5372 
1283 1283 -76.54766 185.8721 -262.4197 
1391 1391 -72.04732 189.9422 -261.9896 
322 322 -77.53867 183.4744 -261.0131 
75  75 -88.04799 171.9066 -259.9546 
882 882 -65.11661 193.8533 -258.9699 
1119 1119 -77.59978 181.2392 -258.8390 
1624 1624 -81.81879 175.9795 -257.7983

現在分裂數據幀：

samplea_1<-NULL 
samplea_2<-NULL 
sampleb_1<-NULL 
sampleb_2<-NULL 
id_1<-NULL 
id_2<-NULL 
diff_1<-NULL 
diff_2<-NULL 
for (i in 1:nrow(mydf)) { 
    if(i%%2==0) { 
    samplea_1 <- append(samplea_1,mydf$a[i]) 
    sampleb_1 <- append(sampleb_1,mydf$b[i]) 
    id_1  <- append(id_1,mydf$id[i]) 
    diff_1 <- append(diff_1,mydf$diff[i]) 
    } else { 
    samplea_2 <- append(samplea_2,mydf$a[i]) 
    sampleb_2 <- append(sampleb_2,mydf$b[i]) 
    id_2  <- append(id_2,mydf$id[i]) 
    diff_2 <- append(diff_2,mydf$diff[i]) 
    } 
} 

sample1<-data.frame(samplea_1,sampleb_1,id_1,diff_1) 
sample2<-data.frame(samplea_2,sampleb_2,id_2,diff_2) 
summary(sample1) 
summary(sample2)

輸出：

> summary(sample1) 
    samplea_1   sampleb_1    id_1   diff_1   
Min. :-99.2058 Min. :-199.519 Min. : 1.0 Min. :-291.183 
1st Qu.:-47.5615 1st Qu.:-100.917 1st Qu.: 495.8 1st Qu.:-105.851 
Median : 1.3997 Median : 7.004 Median : 980.5 Median : -1.333 
Mean : 0.7047 Mean : 2.044 Mean : 991.0 Mean : -1.340 
3rd Qu.: 50.4087 3rd Qu.: 101.678 3rd Qu.:1482.8 3rd Qu.: 99.381 
Max. : 99.8470 Max. : 199.833 Max. :2000.0 Max. : 291.797 
> summary(sample2) 
    samplea_2   sampleb_2    id_2   diff_2   
Min. :-99.7351 Min. :-199.9494 Min. : 2.0 Min. :-294.132 
1st Qu.:-48.4339 1st Qu.: -99.7880 1st Qu.: 509.8 1st Qu.:-106.338 
Median : -1.4627 Median : 6.8745 Median :1024.0 Median : -1.425 
Mean : -0.7104 Mean : 0.9099 Mean :1010.0 Mean : -1.620 
3rd Qu.: 48.1663 3rd Qu.: 94.7360 3rd Qu.:1513.2 3rd Qu.: 99.334 
Max. : 99.9496 Max. : 199.8544 Max. :1996.0 Max. : 288.840

正如你可以看到diff列有alm因爲我們根據該列對數據框進行了排序，但是正如您所看到的，列samplea和sampleb的大小相同，所以它們有點直觀。發生這種情況是因爲差異來源於a和b，但根據每個單獨列a和b的方差有多高，結果將不太準確。

希望有幫助！

來源

2014-10-29 23:18:41 LyzandeR

如果我不想拿出其他東西，這可能會作爲備份解決方案。謝謝！ – Speldosa 2015-01-06 22:37:02

酷！樂於幫助：） – LyzandeR 2015-01-06 23:49:39

將數據集劃分爲兩個聚類，總等差異相等

回答

相關問題