使用Minkowski方法时dist()生成距离矩阵的NA警告与名称缺失问题

问题描述 #

运行代码生成data_by_country矩阵（包含国家名称和HICP均值）后，执行dist()函数生成Minkowski距离矩阵时出现以下警告：

Warning message:
In dist(data_by_country, p = 1.5, method = "minkowski") :
NAs introduced by coercion

同时生成的距离矩阵仅显示数值，无国家名称作为行列标签。

data_by_country前6行数据示例：

name     HICP
1  Austria 2.102952
2  Belgium 2.232472
3 Bulgaria 4.036531
4  Croatia 2.410332
5   Cyprus 1.833579
6  Czechia 2.621033

问题原因 #

1. 非数值列干扰：data_by_country矩阵包含字符型的name列，dist()函数仅能处理数值型数据，尝试将字符列强制转换为数值时会生成NA，触发警告。
2. 行名未设置：转换为矩阵时未将国家名称设为行名，导致距离矩阵丢失标签信息。

解决步骤 #

1. 修正data_by_country的生成逻辑 #

保留数值列的同时，将国家名称设为矩阵行名（仅使用dplyr和base R）：

data_by_country <- data %>%
  group_by(name) %>%
  summarize(HICP = mean(values)) %>%
  ungroup()

# 将name列设为行名
rownames(data_by_country) <- data_by_country$name
# 移除name列，仅保留数值型的HICP列并转为矩阵
data_by_country <- data_by_country %>% select(-name) %>% as.matrix()

2. 重新生成距离矩阵 #

此时再执行dist()函数，不会出现警告，且距离矩阵会自带国家名称标签：

distance_matrix <- dist(data_by_country, p = 1.5, method = "minkowski")

关于聚类图的确认 #

当前仅基于HICP均值计算距离，若目标聚类图是基于HICP时间序列特征的层次聚类，当前做法的特征维度不足，需调整特征选择：

基于时间序列的聚类修正 #

将每个国家的所有时间点HICP值作为特征（仅使用dplyr和base R）：

# 转换为宽格式：每行一个国家，每列一个时间点的HICP值
data_wide <- reshape(data[, c("name", "time", "values")], 
                     idvar = "name", 
                     timevar = "time", 
                     direction = "wide")
# 设置行名为国家名称
rownames(data_wide) <- data_wide$name
# 移除name列，保留数值列并转为矩阵
data_wide <- data_wide[, -1] %>% as.matrix()

# 生成距离矩阵并聚类
distance_matrix <- dist(data_wide, p = 1.5, method = "minkowski")
cluster_result <- hclust(distance_matrix) # 可根据需求选择聚类方法，如"ward.D2"

# 绘制聚类树图
plot(cluster_result, main = "欧盟国家HICP时间序列层次聚类树图")

若目标图确实仅基于HICP均值聚类，那么在修正距离矩阵后，执行hclust()并绘图即可得到对应结果。

内容的提问来源于stack exchange，提问作者niksok11