数据聚类

2019/02/27
在进行服务器信息的聚类过程中，出现的问题，是我没意料到的。
第一想法去使用kmeans算法直接操作，但数据中有字符串存在，无法直接使用,文章[1]及sklearn的文档都指出，kmeans只支持两种，其中一种是欧式距离；传统字符串可能用什么汉明距离就可以了，但这里因为数据存在一定的意义，想利用那种0-1距离。下面对问题进行描述。

问题描述

1. 针对字符串的距离是如何定义的

目前找到两种距离，第一种汉明距离，这种直接计算两个字符串不同字符的个数；第二种，Levenshtein Distance[2]，这种距离好像会计算各种编辑距离什么的。如果字符串中有意义，比如我这里使用的， 我希望他们前面几个字符相等即可，这种的貌似用汉明距离即可。

2.

3. 哪些算法支持自定义距离函数

这个需要再对sklearn中聚类的算法看一看。

参考文献

[1]How-do-I-pass-custom-Distance-function-to-scikit-learn-K-Means-clustering
[2]python-Levenshtein