python - 如何在Python中按条件应用聚类

Question

我有一个大约 50 000 个样本的数据集，它包含 2 个特征，其中第一个是二进制的，第二个是连续的。

我想使用 python 来使用聚类方法来创建 2 个类别。

PS:我无法指定何时将第一个类别精确限制为制定规则。我需要一个大多数数字 = 0 的类别，即我的目标是在我的数据中有一部分我必须消除它。它的大部分 col_A 值都是 0 我需要删除它们，但我不知道它们限制在哪里

我的数据如下:

id        Col_A       Col_B
1           0           2
2           0           3
3           1          25 
4           0          17
5           0           9
6           1          30
7           1           1
8           1          12
9           1           3
10          0           6

我想要 2 个集群

• 第一类涉及包含小数字的行，并且大多数 Col_A 值为 0。

• 无论 Col_A 值如何，第二个类别都应包含更大的数字。

类别 1 必须具有:

id        Col_A       Col_B     
1           0           2
2           0           3
5           0           9
7           1           1
9           1           3
10          0           6

和类别 2 必须具有:

id        Col_A       Col_B    
3           1          25 
4           0          17
6           1          30
8           1          12

如何向聚类算法强制要求第一个类别必须以 0 为多数作为 Col_A 的值

我使用了以下代码，但它不能完美工作。

from sklearn.cluster import KMeans
import numpy as np

data = np.array([[0, 2], [0, 3], [1, 25],[0, 17], [0, 9], [1, 30], [1, 1],[1, 12], [1, 3], [0, 6]])
kmeans = KMeans(n_clusters=2, random_state=0).fit(data)
kmeans.labels_

df = pd.DataFrame(data) 
df['categories'] = kmeans.labels_

我遇到了一些问题，例如“18”的情况，必须归入类别 2。

Col_A      Col_B        Category
0            2           Cat_1
0            3           Cat_1
1           12           Cat_2
0           17           Cat_2
0            9           Cat_1
1           30           Cat_2
1            1           Cat_1
1           18           Cat_1
0            3           Cat_1
0            6           Cat_1

当我处理真实数据时，即使用大量样本时，我得到了错误的分类。我该如何解决这种情况

Answer 1

首先，如果您的聚类依赖于 B 列并且您知道边界是什么，那么听起来似乎不需要无监督算法，并且如果 column_ B < 边界则可以分配标签 0，如果 column_B > 边界则可以分配标签 1。

如果您仍想使用无监督聚类算法，请尝试重新缩放列。不要对列进行标准化(通常的方法)，这会在算法中赋予所有列相同的“重要性”，而是将 B 列中的所有数字乘以某个因子(假设乘以 10)，然后再次聚类。这将使 B 列更加“重要”。