回答編集履歴
2
追記
answer
CHANGED
|
@@ -50,4 +50,4 @@
|
|
|
50
50
|
|
|
51
51
|
```
|
|
52
52
|
|
|
53
|
-
今思いついた注意点ですが、データ数が1万もあるときっとそれなりに高次元の特徴量になるので、PCAとかで次元を落と
|
|
53
|
+
今思いついた注意点ですが、データ数が1万もあるときっとそれなりに高次元の特徴量になるので、`min_df`を指定して削った上でPCAとかで次元を落とさないと速度の面で実用的ではないかもしれません。あとはクラスタリング周りはいろいろ手法やパラメータ（含むクラスタ数）を試行錯誤した上で、結果が出たならその妥当性も何らかの方法で検証するべきでしょう。
|
1
追記
answer
CHANGED
|
@@ -4,4 +4,50 @@
|
|
|
4
4
|
|
|
5
5
|
[sklearn.feature_extraction.text.CountVectorizer — scikit-learn 0.20.3 documentation](https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.CountVectorizer.html)
|
|
6
6
|
[sklearn.feature_extraction.DictVectorizer — scikit-learn 0.20.3 documentation](https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.DictVectorizer.html)
|
|
7
|
-
[sklearn.cluster.KMeans — scikit-learn 0.20.3 documentation](https://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html)
|
|
7
|
+
[sklearn.cluster.KMeans — scikit-learn 0.20.3 documentation](https://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html)
|
|
8
|
+
|
|
9
|
+
##### 追記
|
|
10
|
+
やってみたら鼻歌交じりで五分のコーディングでした。簡単すぎるかも。
|
|
11
|
+
|
|
12
|
+
```python
|
|
13
|
+
import pandas as pd
|
|
14
|
+
from sklearn.feature_extraction.text import CountVectorizer
|
|
15
|
+
from sklearn.cluster import KMeans
|
|
16
|
+
|
|
17
|
+
def main():
|
|
18
|
+
data = ["abc-123-S-1",
|
|
19
|
+
"abc-151521-S1",
|
|
20
|
+
"acd-321-SF-1",
|
|
21
|
+
"abc-213-S-1",
|
|
22
|
+
"abc151512-S1"]
|
|
23
|
+
cv = CountVectorizer(lowercase=False, analyzer="char",
|
|
24
|
+
ngram_range=(1, 3))
|
|
25
|
+
X = cv.fit_transform(data)
|
|
26
|
+
|
|
27
|
+
km = KMeans(n_clusters=3)
|
|
28
|
+
y = km.fit_predict(X)
|
|
29
|
+
df = pd.DataFrame({"data":data, "cluster":y})
|
|
30
|
+
for cluster_i, x in df.groupby("cluster"):
|
|
31
|
+
print("cluster:", cluster_i)
|
|
32
|
+
print(x)
|
|
33
|
+
|
|
34
|
+
if __name__ == "__main__":
|
|
35
|
+
main()
|
|
36
|
+
|
|
37
|
+
""" =>
|
|
38
|
+
cluster: 0
|
|
39
|
+
cluster data
|
|
40
|
+
2 0 acd-321-SF-1
|
|
41
|
+
cluster: 1
|
|
42
|
+
cluster data
|
|
43
|
+
1 1 abc-151521-S1
|
|
44
|
+
4 1 abc151512-S1
|
|
45
|
+
cluster: 2
|
|
46
|
+
cluster data
|
|
47
|
+
0 2 abc-123-S-1
|
|
48
|
+
3 2 abc-213-S-1
|
|
49
|
+
"""
|
|
50
|
+
|
|
51
|
+
```
|
|
52
|
+
|
|
53
|
+
今思いついた注意点ですが、データ数が1万もあるときっとそれなりに高次元の特徴量になるので、PCAとかで次元を落とした方が速いかもしれません。それくらい。
|