Python中ROCK算法聚类分组数量异常问题求助

问题场景 #

使用Python做分类数据聚类时，K-modes算法可将286条数据正常分为4组，但改用pyclustering库的ROCK算法时，所有数据各自成组，完全不符合预期。代码如下：

from pyclustering.cluster.rock import rock;

rules_rock_dataframe = rules_rock_dataframe.astype(float)
rules_rock_dataframe_list = rules_rock_dataframe.values.tolist()
rock = rock(rules_rock_dataframe_list, 2.0, number_clusters=4)
rock.process()

clusters = rock.get_clusters()
print(clusters)

问题根源 #

1. 错误转换数据类型：将分类数据转为float，丢失了类别语义，导致后续距离计算完全偏离分类数据的相似性逻辑。
2. 默认距离度量不适配：pyclustering的ROCK实现默认使用欧氏距离，该距离针对数值型数据设计，无法正确衡量分类数据间的相似性——分类数据的相似性应该基于特征是否匹配，而非数值大小差异，因此算法无法识别样本间的关联，最终每个样本被判定为独立聚类。

解决方案 #

1. 恢复原始数据类型，取消float转换 #

分类数据应保留原始编码（整数或字符串均可），不要转为浮点型，避免语义丢失。

2. 自定义分类数据的距离度量 #

给ROCK算法传入适配分类数据的距离函数，比如计算两个样本不同特征的数量（差异越大，距离越大）：

from pyclustering.cluster.rock import rock

# 自定义分类数据距离函数：返回两个样本不同特征的数量
def categorical_distance(sample1, sample2):
    return sum(feature1 != feature2 for feature1, feature2 in zip(sample1, sample2))

# 直接使用原始分类数据转成的列表（不要转float）
rules_rock_dataframe_list = rules_rock_dataframe.values.tolist()

# 初始化ROCK时传入自定义距离函数，同时可根据数据调整阈值参数
rock_instance = rock(
    data=rules_rock_dataframe_list,
    eps=2.0,
    number_clusters=4,
    metric=categorical_distance
)
rock_instance.process()

clusters = rock_instance.get_clusters()
print(clusters)

3. 调整阈值参数eps #

eps是ROCK算法中用于定义邻域的阈值，需要根据自定义距离的结果调整——如果自定义距离返回的是不同特征的数量，eps的值要符合数据的特征数量和分布，比如特征数为10的话，eps=2表示允许最多2个特征不同的样本视为邻域内的点。

内容的提问来源于stack exchange，提问作者Qba515