读书笔记：“集体智慧编程”之第三章：“发现群组”的 列聚类

什么是列聚类？

对博客数据使用了分级聚类的方式分析，我们可以又学的一种聚类方式：列聚类。刚刚的分级聚类就是对行进行了一个聚类。行是什么？行就是一个又一个的博客名，列是什么？列就是一个又一个的单词，那么进行行聚类的时候，我们是根据单词的词频将不同的博客聚了一次类。当我们对单词进行聚类的时候，我们就称之为列聚类。

意义何在

正面回答，我们知道了哪些单词会时常一起使用。对于这个列子来讲，似乎没什么意义。

但是如何行是消费者，列是购买的物品，那么每一行将是某位客户购买某一个商品的数量的列表数组，此时，如果去统计购买的物品的聚类，就非常有意义了。曾经有一个尿布与啤酒的故事，这两个毫无关系的商品居然销售量居然有着正相关的关系。后来发现是父亲来买尿布的时候往往会就会为自己买上一点啤酒，很显然这非常有意义，可以进行捆绑销售。在货物的摆放方面也更加有意义。

博客的例子

还是沿用之前那个数据集blogdata.txt。实现过程其实非常简单，简直用一句话就能说清：帮行和列做一个对换，然后直接调用之前写的过的函数。就可以产生聚类的结果。

首先是行列对置的函数：

def rotatematrix(data):
    newdata=[]
    for i in range(len(data[0])):
        newrow=[data[j][i] for j in range(len(data))]
        newdata.append(newrow)
    return newdata

其他的都是调用了在分级聚类中使用过的代码。
执行以下代码可以得到结果：

blognames,words,data=readfile('blogdata.txt')
rdata=rotatematrix(data)
wordclust=hcluster(rdata)
drawdendrogram(wordclust,labels=words,jpeg='列聚类图.jpg')

结果是一幅图，首先看截取得其中的一部分。

我们可以看到，microsoft/software/windows和pro/mac/apple经常一起使用。相信在读这篇博客的人都知道上面留六个词的含义，当然software为什么会和windows经常一起用，看起来似乎有点不太合理，但是谁知道会不会又是像“尿布和啤酒”一样呢？

当然，并不是说图中所有词的聚类都具有意义，实际上，大多数恐怕都没有意义，或者看不出有什么意义。
最后得到的一张大图，由于csdn限制了图片宽度的像素。所以下一幅图看起来不完整，但是需要的朋友可以通过右键另存为图片观看。