R语言：如何生成随机聚类数据/generate random clusters;介绍R package：clusterGeneration

写在前面：因为参考文献是外文文献，虽然我已尽量照着自己的理解翻译，但有些专业词汇我也怕表述不清，不可避免的会出现很多英文术语。希望不会影响阅读，见谅！

clustering：聚类方法，如K-means之类的

clusters：聚类结果，k=3代表最后分成3类

------------

不知我这个【生成随机聚类数据】翻译是否正确，总之就是根据预设条件（如有多少个类clusters，每个cluster有多少个点，分别服从什么分布等等）生成随机聚类的点simulate data。这在很多应用中都需要，比如用来比较各种聚类方法：K-means，PAM（Partitioning Around Medoids），Hierarchical clustering层次聚类等。当然我们可以用实际数据比较，但假如我想知道哪种聚类方法更加适用于什么情况blabla，我们就需要根据情况自己生成artificial datatset。

这里讲的都是用R来做的哈！

第一种方法：简单粗暴！根据自己需求直接写。

# Artificial dataset 
#生成3个clusters，其中两个服从正态分布，一个均匀分布，其中服从正态分布的每组20个点，均匀分布的100个点。

 x1 <- rnorm(20)
 y1 <- rnorm(20)
 x2 <- rnorm(20,mean=10)
 y2 <- rnorm(20)
 x3 <- runif(100,-20,30)
 y3 <- runif(100,20,40)
 data <- cbind(c(x1,x2,x3),c(y1,y2,y3))

缺点就是如果我想做因子实验factorial experiment design，比如设置3个因子：聚类数有（2，3，5）个，点数可以有（50，100，225）个，还有cluster之间的距离是离得近还是远，这样就是3*3*2=18种情况了。这时候我们可以找一个更加方便的方法写~这也是我主要想介绍的一个R package：clusterGeneration。这个函数非常的方便，能根据要求随机生成各种cluster，尤其是能量化的定义cluster之间的距离远近。如果是用第一种方法自己写，得经过不断地参数调整才能找到合适的参数：怎么样cluster之间相隔的间距比较模糊fuzzy-separated（似连似分？哈哈哈哈 

主要讲讲genRandomClust这个函数。simClustDesign跟它异曲同工，就是引入了因子实验。

网站：https://cran.r-project.org/web/packages/clusterGeneration/clusterGeneration.pdf

document都讲的非常清楚了，主要参数包括：

numcluster：几个聚类；

sepVal：cluster与cluster之间的距离远近，等于0.01代表距离很近，聚的类之间不那么明显（有重叠区域）。0.21代表距离适中，能看出分界线。0.34代表well-separated，分得很开。下面会具体说这个指标是怎么计算的。

numNonNoisy：数据有几维；

numNoisy：默认为0，如果大于0那么最终数据的维度=numNonNoisy+numNoisy；

numOutlier：有多少个异常值；

numReplicate：重复次数；

clustszind：关于cluster size的indicator。等于1说明所有的cluster点数都相同，具体数值填在下一个参数clustSizeEq里。等于2说明cluster的点数随机在一个范围里生成，范围定义在之后的参数rangeN里。等于3就是每个cluster的点数都具体指定，在之后的clustSizes。

clustSizeEq：只能填一个值，就是每组的点数。

rangeN：填一个范围，如c(50,200)，那么每个cluster的点数就是在50~200里随机定。

clustSizes：每个cluster指定点数，假如填c(50,200)，意味着有2个cluster，第一个是50个点，第二个200点。如果clustSizes的长度不等于numcluster的话是会报错的哟。

剩下的就不说了，最后关于output的几个参数默认为True，就是把生成的每个case都分别输出，如果不想这样就改成False，最后结果是一个list。

给一个栗子~这个是偷懒直接照搬上篇文章的嘻嘻

cluster<-c(2,3,5)
point<-c(25,100,225)
sepval<-c(0.01,0.21)
repl<-2

#Eq=1：the number of points in each cluster is the same.

t<-list()
gen<-list()
Eq1<-list()
for (i in 1:3){
  for (j in 1:3){
    for (k in 1:2){
      t[[k]] <- genRandomClust(numClust=cluster[i], sepVal=sepval[k], numNonNoisy=2,
                               numNoisy=0, numOutlier=0, numReplicate=repl, fileName="Eq1",
                               clustszind=1,
                               clustSizeEq=point[j],
                               outputDatFlag=F,
                               outputLogFlag=F,
                               outputEmpirical=F,
                               outputInfo