将可调用度量用于HDBSCAN *

Question

我想用HDBSCAN *集群一些数据。

距离是根据两个值计算的一些参数的函数，因此，如果数据看起来像：

    label1 | label2 | label3
0    32        18.5     3
1    34.5      11       12
2    ..        ..      ..
3    ..        ..      ..

两个样本之间的距离将类似于：

def calc_dist(i,j)
     return 0.5 * dist_label1_func(data.iloc[i]['label1],data.iloc[j]['label1] + 
     0.4 * dist_label2_func(data.iloc[i]['label2],data.iloc[j]['label2] +
     0.1 * dist_label3_func(data.iloc[i]['label3],data.iloc[j]['label3]

由于数据的大小，我无法计算距离矩阵，因此似乎callable是我唯一的选择。

我的代码如下：

clusterer = hdbscan.HDBSCAN(metric=calc_dist).fit(i=i,j=j)

错误：fit() got an unexpected keyword argument 'i

clusterer = hdbscan.HDBSCAN(metric=calc_dist).fit(i,j)

错误：

ValueError: Expected 2D array, got scalar array instead:array=4830.
Reshape your data either using array.reshape(-1, 1) if your data has a single feature
or array.reshape(1, -1) if it contains a single sample.

并且它不起作用，我还尝试将适合内部的参数更改为原始数据集名称：

clusterer = hdbscan.HDBSCAN(metric=calc_dist).fit(data)

错误：

raise ValueError("Found array with dim %d. %s expected <= 2.")
         ValueError: setting an array element with a sequence.

但它也不能接受。

我想念什么？

Answer 1

通常，回调将获得向量，而不是行索引。

所以也许您可以使用：

def calc_dist(i,j):
     return 0.5 * dist_label1_func(i['label1],j['label1]) + 
            0.4 * dist_label2_func(i['label2],j['label2]) +
            0.1 * dist_label3_func(i['label3],j['label3])

clusterer = hdbscan.HDBSCAN(metric=calc_dist).fit(data.iloc)

或者如果类型妨碍您，您可以使用原始距离的索引数组：

def calc_dist(i,j):
     i, j = int(i[0]), int(j[0])
     return 0.5 * dist_label1_func(data.iloc[i]['label1],data.iloc[j]['label1]) + 
            0.4 * dist_label2_func(data.iloc[i]['label2],data.iloc[j]['label2]) +
            0.1 * dist_label3_func(data.iloc[i]['label3],data.iloc[j]['label3])

range = np.arange(0, len(data), dtype=np.int8).reshape(-1, 1)
clusterer = hdbscan.HDBSCAN(metric=calc_dist).fit(range)

请注意sklearn和具有自定义指标的类似python库的性能可能很差。 Numba可能会或可能不会帮助改善性能；对于足够小的数据，通常建议计算成对矩阵并使用metric="precomputed"，因为编写高效代码来预先计算矩阵（并使用现有的高效代码来处理预先计算的矩阵）通常要容易得多，而不是得到库代码内部高效的自定义指标。这是因为python被解释了。因此，每一次距离计算都需要经过解释器。具有强大的JIT编译器的Java之类的语言通常在优化此类情况方面更好。