讲师中心 微信公众号

工具推荐

视频效率加速
剧云
剧云

中文短剧剧本制作平台

立刻MV
立刻MV

低成本歌曲 MV、视频生成

Laper
Laper

剧本策划到成片协作

updream

一键生成高质量推广成片

在Python中如何正确处理混合数据类型的距离度量与聚类

夏萱大大_6572

夏萱大大_6572

发布时间:2026-11-21 09:26:38

|

262人浏览过

|

来源于php中文网

原创

混合类型数据聚类需用Gower距离等分类型处理方法,避免独热编码导致的维度爆炸;KMeans不适用,应选层次聚类或DBSCAN(metric="precomputed")。

在python中如何正确处理混合数据类型的距离度量与聚类

混合数据类型无法直接用 sklearn.metrics.euclidean_distances

欧氏距离、余弦相似度等默认只接受数值型矩阵,遇到字符串、布尔值、类别标签(如 "red"、True、"high")会直接报 ValueError: Expected 2D array, got 1D array instead 或更隐蔽的 TypeError: ufunc 'subtract' did not contain a loop with signature matching types。这不是数据形状问题,而是类型不兼容——numpy 无法对字符串做减法。

常见错误做法是暴力 pd.get_dummies() 全量独热编码:类别数多时(比如用户ID、地址文本)会导致维度爆炸,稀疏性高,距离失去意义;布尔字段被转成 0/1 后,和数值字段量纲差异巨大,未经标准化的距离计算结果不可信。

正确思路是分类型处理:

  • 数值型字段:标准化(推荐 StandardScaler 或 RobustScaler,避免异常值干扰)
  • 有序类别(如 "low"/"medium"/"high"):映射为整数并归一化
  • 无序类别(如 "cat"/"dog"/"bird"):用 Gower 距离或自定义匹配函数(相同为 0,不同为 1)
  • 二元字段(bool 或 {0,1}):直接作为 0/1 使用,不额外编码

用 gower.gower_matrix 计算混合距离矩阵

Gower 距离天然支持混合类型:对每列单独归一化后加权平均,权重默认均等,可手动调整。它不依赖向量空间假设,比强行独热+欧氏更合理。

立即学习“Python免费学习笔记(深入)”;

安装与基础用法:

pip install gower

注意:gower 包输入必须是 pandas.DataFrame,且列类型需明确(数值列用 float 或 int,类别列用 object 或 category):

  • 确保数值列没被误读为 object(检查 df.dtypes,必要时用 df[col] = pd.to_numeric(df[col]))
  • 类别列不要提前 get_dummies,保留原始字符串或 category 类型
  • 缺失值会被自动跳过(按列计算时忽略该样本),但建议先用 SimpleImputer 填充数值列、众数填充类别列

示例调用:

使用 Claude Agent SDK 将绑定的 Claude 代码会话嵌入到 Python 自动化中
使用 Claude Agent SDK 将绑定的 Claude 代码会话嵌入到 Python 自动化中

当现有的脚本或服务需要将作用域化的仓库工作委托给 Claude Code 并以编程方式消费结构化响应时,请使用 Claude Agent SDK for Python。

下载
import gower<br>dist_matrix = gower.gower_matrix(df)

返回的是对称二维 numpy.ndarray,可直接喂给 scipy.cluster.hierarchy.linkage 或 sklearn.cluster.AgglomerativeClustering。

聚类时避开 KMeans 的陷阱

KMeans 强制要求欧氏空间 + 均值中心,对混合类型距离矩阵完全不适用——它内部会重算质心并迭代更新,而质心在混合空间里没有定义(比如“颜色”的均值是什么?)。强行用 fit(dist_matrix) 会报错或产生无意义结果。

可行方案只有两类:

  • 层次聚类:用 scipy.cluster.hierarchy.linkage(dist_matrix, method="average"),再用 fcluster 截断,完全基于你提供的距离矩阵
  • DBSCAN:传入 metric="precomputed",例如 DBSCAN(eps=0.3, metric="precomputed").fit(dist_matrix);注意 eps 值需根据 dist_matrix 的实际分布调整(看 np.quantile(dist_matrix[np.triu_indices_from(dist_matrix)], 0.1) 等)

别碰 MeanShift、SpectralClustering(虽支持 affinity="precomputed",但其 affinity 需满足正定性,Gower 距离不保证)。

自定义距离函数必须返回双精度二维数组

如果不用 gower,想手写混合距离逻辑(比如加权组合),注意 scipy.spatial.distance.pdist 和大多数聚类器要求函数签名是 def my_dist(a, b):,且必须返回标量 float。常见坑:

  • 返回 np.float64 而非 np.float32(后者可能触发 TypeError: A must be a complex matrix)
  • 函数内不能有 print 或日志——pdist 会高频调用,IO 拖慢百倍
  • 避免用 for 循环逐字段比较,改用向量化操作(如 (a[cat_cols] != b[cat_cols]).sum())
  • 最终距离矩阵必须是 np.ndarray,shape 为 (n_samples, n_samples),对角线为 0,对称

调试时先用小数据(df.iloc[:10])验证距离矩阵是否对称、是否全非负、对角线是否为 0——这三个条件不满足,聚类必然失败。

混合类型聚类真正难的不是代码,是字段语义理解:哪些该归一化,哪些该用匹配,哪些该加权。跑通流程容易,让聚类结果有业务解释力,得反复对照原始数据看簇内一致性。

热门AI工具

更多
PixTV
PixTV Hot

PixTV是一款面向AIGC内容创作的AI视频生成工具。

Loomy
Loomy Hot

一款AI工具,主要用于科大讯飞发布的桌面级 AI 助理,比 OpenClaw 更易用、更安全!,适合需要提升相关任务效率的用户。

讯飞绘文

讯飞绘文是一款由科大讯飞推出的一站式 AIGC 内容运营平台。

WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

花生AI
花生AI Hot

一款AI视频创作工具,主要用于B站推出的AI视频创作工具,适合需要提升相关任务效率的用户。

码上飞
码上飞 Hot

一款基于自然语言的AI应用开发平台,可根据用户描述自动生成应用程序,帮助个人和团队快速完成应用原型与开发。

DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

VibeKnow
VibeKnow Hot

一款AI视频创作工具,主要用于全球首个AI知识视频创作平台,文档、文章、网页,一键生成视频,适合需要提升相关任务效率的用户。

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

1971

2023.07.20

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

5624

2023.07.25

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

1909

2023.07.31

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

34537

2023.08.03

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

4027

2023.08.04

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

4027

2023.08.04

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

1303

2023.08.11

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

636

2023.08.10

Nginx CVE-2026-123007排查与防护指南
Nginx CVE-2026-123007排查与防护指南

Nginx HTTP/2漏洞该怎么修复?本专题围绕CVE-2026-123007,介绍安全版本升级、模块兼容检查和配置恢复方法,以及日志排查、权限设置等后续加固操作,方便你按实际部署情况查找对应教程。

0

2026.11.20

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn