對基於文本的信息（即實現字符串內核）進行分類

Question

我需要對一組消費者數據運行聚類算法，但我不確定如何處理基於文本的字段（完美示例是字母數字後綴代碼，如SE1 8XR）。

顯然我需要使用的是一個字符串內核，我理解其中的基本思想，但是不能很好地實現。

理想情況下，我希望新的數字向量編碼的想法，即兩個不同的郵政編碼是越遠的數據點彼此，但不知道如何做到這一點，我一直無法找到一個有用的教程，指南或教科書！

另外我在Python中這樣做，以防某些庫任何人知道這可能是有用的。

Answer 1

重新郵政編碼

你不能比較郵政編碼爲字符串。 `AL1 1AA'是聖奧爾本斯，'AB1 1AA'是阿伯丁。他們非常接近編輯距離，但CR6 7DX更接近聖奧爾本斯：

你最好的辦法可能是抓住一些查找表（我知道你可以從他們買皇家郵件）也許從http://www.ordnancesurvey.co.uk/oswebsite/products/os-opendata.html這需要一個郵政編碼，或者至少一個部門'AL1 1'（甚至可能是地區'AL1'），然後將其映射到經緯度，然後用於存儲數據。

其他字符串

一種可能的選擇是使用difflib.SequenceMatcher返回一個百分比分數的兩個字符串的相似程度對方（也有很多其他的算法在那裏：谷歌「遺傳字符串算法」 ，「模糊字符串匹配」，「字符串相似度算法」等）。將所有（可能）彼此相似的字符串分組，然後分配這些組，然後在該組上進行聚類。

根據您的要求和數據的複雜程度，您也可能會發現metaphone &雙倍變音電話（可能還有ntlk）有用。