Python中基于SciPy实现字符串层次聚类的疑问

嘿，我太懂你在用SciPy的linkage函数结合汉明距离给字符串分组时卡壳的感觉了！之前帮朋友调过类似的坑，给你捋一套实打实的操作流程，避开那些容易踩的雷：

先搞懂核心前提 #

SciPy的linkage函数不直接支持对字符串计算汉明距离——它只认数值型的输入，要么是样本的特征数组，要么是两两之间的距离矩阵。所以第一步必须把字符串转换成能计算汉明距离的数值格式。

步骤1：把字符串转成数值数组 #

汉明距离是比较两个等长字符串对应位置的差异数，所以首先确保你的所有字符串长度一致（要是不一样，要么统一截断/补全，要么换别的距离比如编辑距离）。然后把每个字符转成数值，比如最简单的转成整数：

举个实际例子，假设你的字符串列表是这样：

strings = ["0101", "0111", "1000", "1001"]

转成数值数组的代码：

import numpy as np

# 把每个字符串拆成单个字符，再转成整数数组
X = np.array([[int(c) for c in s] for s in strings])

如果是字母字符串，也可以转成ASCII码（用ord(c)），或者用独热编码（字符种类少的时候更合适）。

步骤2：计算汉明距离矩阵 #

用SciPy的pdist函数来算两两样本的汉明距离。这里要注意：SciPy的hamming metric返回的是差异位置的比例，不是绝对的差异数。如果要得到实际不同字符的数量，记得乘以字符串的长度！

代码如下：

from scipy.spatial.distance import pdist

# 先算比例，再乘长度得到绝对差异数
hamming_distances = pdist(X, metric='hamming') * X.shape[1]

步骤3：喂给Linkage函数聚类 #

现在有了压缩后的距离矩阵（就是pdist返回的格式，不用转成方阵），直接传给linkage就行。聚类方法可以选ward、single、complete这些，根据你的需求来：

from scipy.cluster.hierarchy import linkage

# 这里用ward方法，你可以换成自己需要的
cluster_linkage = linkage(hamming_distances, method='ward')

那些容易踩的坑我帮你列出来 #

• 字符串长度不一致：汉明距离只对等长字符串生效，长度不一样的话直接报错，先处理好长度问题！
• 直接传字符串给linkage：别犯这个傻，linkage不认字符串，必须转数值或者提前算距离矩阵。
• 忘记乘长度：如果你的需求是“几个字符不一样”，而不是“差异比例”，一定要记得乘字符串长度，不然结果会和预期差很多。

（可选）画个树状图看结果 #

想直观看看聚类效果？用dendrogram画个树状图就行：

from scipy.cluster.hierarchy import dendrogram
import matplotlib.pyplot as plt

dendrogram(cluster_linkage, labels=strings)
plt.title("Hierarchical Clustering Dendrogram (Hamming Distance)")
plt.show()

这样一套流程走下来，应该就能顺利完成你要的字符串聚类啦！

内容的提问来源于stack exchange，提问作者superasiantomtom95