反集群

用于解决反集群问题的通用 Python 库。虽然聚类算法会在一个簇内实现高相似度，而在簇之间实现低相似度，但反聚类算法会实现相反的效果；即最小化集群内的相似性并最大化集群之间的相似性。目前，在这个库中实现了一些算法：

• 使用 BIP 公式的精确方法。
• 枚举交换启发式。
• 模拟退火启发式。

请记住，反集群是一个计算困难的问题，即使对于小实例大小也可能运行缓慢。在对 Iris 数据集（150 个数据点）进行反聚类时，当前的 ILP 没有在合理的时间内完成。

前两种方法的实施如以下论文所述：
Papenberg, M., & Klau, GW (2021)。使用反聚类将数据集划分为等效部分。心理方法，26（2），161-174。内政部。预印本
论文附有 R 编程语言库：anticlust。

与antilust R 包不同，这个库目前只有一个目标函数。在这个库中，目标将最大化簇内距离：数值列的欧几里德距离和分类列的汉明距离。

用例

在软件测试中，反聚类可用于在 AB 测试中生成测试组和控制组。示例：您有一个拥有许多用户的网上商店。网上商店正在积极开发中，您将推出一项新功能。此功能应针对尽可能多的不同用户进行测试，而无需针对整个用户群进行测试。为此，您可以创建用户群的最大多样性子集以进行测试（A 组）。其余用户（B 组）将不会测试此功能。为了划分用户群，您可以使用反聚类算法。A 组和 B 组应尽可能相似，以便有可靠的比较基础，但在 A（和 B）组内部，元素应尽可能不同。

这只是一个用例，可能还有更多。

安装

反集群包在PyPI上可用。要安装它，请运行以下命令：

pip install anti-clustering

该包目前支持 Python 3.8 及更高版本。

用法

该算法的输入是一个 Pandas 数据帧，每一行代表一个数据点。输出是相同的数据帧，带有一个包含整数编码集群标签的额外列。下面是一个基于 Iris 数据集的示例：

from anti_clustering import ExactClusterEditingAntiClustering
from sklearn import datasets
import pandas as pd

iris_data = datasets.load_iris(as_frame=True)
iris_df = pd.DataFrame(data=iris_data.data, columns=iris_data.feature_names)

algorithm = ExactClusterEditingAntiClustering()

df = algorithm.run(
    df=iris_df,
    numerical_columns=list(iris_df.columns),
    categorical_columns=None,
    num_groups=2,
    destination_column='Cluster'
)

贡献

如果您有任何建议或发现错误，请随时打开问题。如果您实施了新算法或知道如何调整现有算法；非常感谢 PR。

执照

该库在 Apache 2.0 许可下获得许可。