学习了数据分析和R有一小段时间了，最近在对一个用户数据集进行聚类分析，遇到了一些问题。自己也想了一些方法，希望大家能提提建议，谢谢。

数据集有200,000行和25列，每一行是一个用户的记录，每一列是用户的特征比如年龄、性别、国籍还有收入等，也就是说numeric和categorical特征都包含。聚类分析的目的是看看能否找出一些有意思的用户群体，没有特别具体的目标，属于探索性质。

自己试过的方法：

1、最直接的，立刻想到了K-means，但是由于K-Means貌似只适用于numeric数据，用在这个用户数据集上不太合适。这样一想，R里面的很多聚类方法似乎都不合适了，比如pam，hclust，agnes，clara还有birch。

2、上面提到的几个方法（kmeans除外）除了可以用data.frame做输入，还能用distance/dissimilarity matrix做输入。于是又想到了用daisy来计算dissimilarity matrix。R报错了，因为200,000 × 200,000的matrix超出了R3.0.0之前版本的vector长度限制（2^31-1）。前几天新版本出现了，没有了这个限制，欢天喜地的去下载。结果还是报错，这一次，是告诉我内存不够用。也是，这么大个矩阵，大概要150G才能装下，要对其操作，要2到3倍的内存...

3、既然是内存的问题，又去找了找R关于大数据的包，比如bigmemory还有ff。现在只学习了bigmemory这个包，感觉好像看到希望，但又觉得哪里不大对：我可以将大的对象存到硬盘上，但是读回来的时候并不是data.frame或者matrix，而是一个bigmemory包自己定义的big.matrix类。上面提到的聚类方法要求输入是一个R本身的矩阵类型，那要是把big.matrix变成R的矩阵，岂不是又超出内存了？不知道这里的理解对不对...ff包的内容，还没有仔细看过。

4、前面提到的所有方法，包括K-means，不能直接使用的主要原因是数据集同时有numeric和categorical特征。那如果把数据集完成转化成numeric形式，应该就可以用了吧。但是如何将性别和国籍一类的变量转换成numeric的形式，一直没有找到好的方法。前不久找到了一个包FactoMineR，其中的FADM可以将这种混合类型的数据集进行类似于PCA和MCA的分析，那么这样得出的转换后的数据集就是一个numeric形式的数据集了。不过，转换的过程可能会很好时间，尝试以下数量的转换：100、200、500、1000、2000、5000、10000和15000行数据，所用时间有指数增加的趋势，呃虽然时间不是问题，大不了跑一星期，但是应该还是有更好的方法的吧。而且，如果数据量再大一些，要是内存装不下，又怎么办..

5、有朋友建议我了解一下map/reduce，网上也查了一下，还没有仔细学习。看到有人用kmeans和map/reduce对大数据进行聚类分析，但是是不是所有的任务都是适合map/reduce呢？

6、最后一个想法，就是采样，然后在样本上进行聚类分析。不过，要如何选取有代表性的样本，自己还没自己研究过，自知统计还需补课。不知道大家能不能给一些资料。

大概就这么多了，写的有点长...希望大家能给点建议和指点，多谢啦！（啊如果觉得我发错了版，请指出一下。）