我正在处理来自BigData Challenge的数据集。

https://dandelion.eu/datamine/open-big-data/数据集：电信 – 短信、电话、互联网 – MI

样本数据集（一天）

Square id   Time interval   Country code    SMS-in activity SMS-out activity    Call-in activity    Call-out activity   Internet traffic activity1   1.39E+12    39  0.11098917  0.166214369 0.10920186  0.164427059 13.648437921   1.39E+12    46                  0.0261374241   1.39E+12    39  0.165136827 0.176399458 0.030875085 0.027300465 13.330858191   1.39E+12    0   0.029087775 0.027300465         1   1.39E+12    39  0.186451092 0.136587823 0.05460093      11.32955226..10000 1.39E+12  39  0.165136827 0.176399458 0.030875085 0.027300465 13.33085819 

在这个数据集中，米兰市的地理区域被划分为10,000个方格，每个方格都记录了用户的活动（短信、电话、互联网）。我有一份为期一个月（30天）的数据集。

我试图根据用户活动（最低、平均和最高用户活动）将这些数据聚类成三个簇。

我尝试使用K-Means聚类算法，但由于我的数据是一维的，K-Means并不适合这种情况。

我可以使用天数和方格ID作为维度来运行K-Means吗？

关于方法或聚类算法有什么建议吗？

回答：

切勿在聚类时使用ID列。

此外，K-Means只有在所有列的尺度相同的情况下才能正常工作。请查看这个帖子的回答。

如果你想将地理邻近性整合到聚类中，我建议你仔细定制一个方法。可以看看广义DBSCAN，它是为定制设计的。永远不要认为聚类“就能工作”，因为大多数时候，它并不奏效，可惜的是如此。

另外，你需要提前定义你的目标。你想达到什么目的，以及你如何衡量成功？仅仅因为你想进行聚类或者因为你不知道该做什么而进行聚类，不会成功的。

至于数据集，它的问题在于没有明确的目标。获胜的条目似乎归结为观察到在更多人聚集的地方能耗更高（真是个惊喜）。开放式挑战真的很难处理。