集体智慧编程中的分级聚类学习

本人比较笨，下面写下看过这本书这一节后的思路。

处理的数据格式是data，是一个列表，列表元素是列表，子列表为每个样本的向量表示形式。

思路：

1.把所有点做成聚类，放入到初始聚类集clust（列表）中。

clust=[bicluster(row[i],id=i) for i in range(len(rows))]  #bicluster是一个表示聚类的类class

2.遍历每一个配对，寻找最小距离，将最小距离的两个聚类，组成一个聚类

判断条件：聚类集的长度大于1，（每次聚类两个。生成一个，删除两个，所以总数一直在减小）

每次都是通过令lowestpair=(0,1),closest=distance(clust[0].vec,clust[1].vec)

3.字典distances用来存储每两个点的相似度距离值{（id1,id2）:sim,......}  如果某个点对不在distances中，则放进去

4.比对当前两点i与j的距离d是否小于closest，如果小于，则令closest=d,lowestpair=(i,j)

两层for循环后，就得到了距离最小的对（lowestpair[0],lowestpair[1]）

5.计算新的聚类，即两个点的向量分量的平均值，并用bicluster构建新聚类，它的编号为currentclusterid为负数，新生成的聚类都用负数表示

6.不在原始的集合的聚类，其id都为负数，删除lowestpair[0],lowestpair[1]对应的原始聚类，并添加新的聚类

代码如下所示：

class bicluster:
    def __init__(self,vec,left=None,right=None,distance=0.0,id=None):
        self.left=left
        self.vec=vec
        self.right=right
        self.distance=distance
        self.id=id


def hcluster(data,distance=pearson):
    distances={}
    currentclusterid=-1
    clust=[bicluster(data[i],id=i) for i in range(len(data))]


    while(len(clust)>1):
        lowestpair=(0,1)
        closest=distance(clust[0].vec,clust[1].vec)


        for i in range(len(clust)):
            for j in range(i+1,len(clust)):
                if (clust[i].id,clust[j].id) not in distances:
                    distances[(clust[i].id,clust[j].id)]=distance(clust[i].vec,clust[j].vec)


                d=distance(clust[i].vec,clust[j].vec)
                if d<closest:
                    closest=d
                    lowestpair=(i,j)


        mergevec=[(clust[lowestpair[0]].vec[i]+clust[lowestpair[1]].vec[i])/2.0  for i in range(len(clust[0].vec))]


        newcluster=bicluster(mergevec,clust[lowestpair[0]],clust[lowestpair[1]],distance=closest,id=currentclusterid)


        currentclusterid-=1
        del clust[lowestpair[1]]
        del clust[lowestpair[0]]
        clust.append(newcluster)


    return clust[0]