如何用Python实现事件日志数据聚类，得到预期的案例分组结果？

需要将事件日志中同一Case ID的所有事件归为同一聚类，现有K-means代码未得到正确结果，核心问题在于未对Case ID做聚合处理，且未对类别型特征进行编码。以下是可行的实现方案：

一、核心问题分析 #

现有代码直接对单条事件数据（每行一个事件）执行K-means，但聚类目标是Case级别（每个Case作为一个聚类样本），而非单事件级别。同时原始数据中的Activity、Source是类别型数据，无法直接用于距离计算，必须先转换为数值特征。

二、完整实现步骤与代码 #

1. 导入依赖库 #

import pandas as pd
from sklearn.cluster import KMeans, AgglomerativeClustering
from sklearn.feature_extraction.text import CountVectorizer

2. 加载并预处理数据 #

先将示例数据转为DataFrame，再按Case ID聚合，把每个Case的特征合并为单个聚类样本：

# 加载示例数据
data = pd.DataFrame({
    'Case ID': ['case 1', 'case 1', 'case 2', 'case 2', 'case 3'],
    'Activity': ['register request', 'decide', 'pay', 'check ticket', 'pay'],
    'Source': ['P1', 'A2', 'C5', 'B1', 'C3']
})

# 将每个Case的Activity合并为序列字符串，用词袋模型编码（适合基于活动序列的相似性聚类）
case_features = data.groupby('Case ID')['Activity'].apply(lambda x: ' '.join(x)).reset_index()
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(case_features['Activity']).toarray()

3. K-means聚类实现 #

# 根据预期设置聚类数，实际可通过肘部法确定
kmeans = KMeans(n_clusters=3, random_state=42)
case_clusters = kmeans.fit_predict(X)

# 构建Case与聚类的映射，合并回原始数据
case_cluster_map = pd.DataFrame({
    'Case ID': case_features['Case ID'],
    'Clusters': [f'cluster {c}' for c in case_clusters]
})
result = pd.merge(data, case_cluster_map, on='Case ID')
print(result)

4. 层次聚类实现 #

hier_clust = AgglomerativeClustering(n_clusters=3)
case_clusters_hier = hier_clust.fit_predict(X)

case_cluster_map_hier = pd.DataFrame({
    'Case ID': case_features['Case ID'],
    'Clusters': [f'cluster {c}' for c in case_clusters_hier]
})
result_hier = pd.merge(data, case_cluster_map_hier, on='Case ID')
print(result_hier)

三、预期输出 #

执行后将得到与需求一致的结果：

关键说明 #

• 必须按Case ID聚合数据：每个Case是一个独立的聚类样本，确保同一Case的所有事件归属同一聚类。
• 类别特征编码：可根据业务场景选择编码方式，词袋模型适合基于活动序列的相似性聚类，也可使用One-Hot编码后按Case求和（适合基于特征存在性的聚类）。
• 聚类数选择：示例中根据预期设为3，实际场景可通过肘部法（K-means）或树状图（层次聚类）确定最优聚类数。

内容的提问来源于stack exchange，提问作者Pavan