我需要处理很多包含3列的csv文件：日期，电视频道ID，电影ID。分析抽象数据
基于这些专栏，我需要分类每个电影的风格和电视频道id的风格。
我是新来大数据过程，我想知道如果我只有一个ID（我不能使用其他来源搜索ID或生成随机数据来训练我的算法）我如何分类该数据。
我找到的解决方案是定义一些小时的范围，并放置在一些流派范围内的电影。例如：
分类电影后，我可以基于它们发挥电影的电视频道分类。
而且我打算做使用的火花呢:)
任何人有另一种解决方案或者有什么建议？这很难，因为这些数据看起来像是抽象的。
谢谢
当你说“我需要电影的流派分类”，你的意思是“戏剧”，“喜剧”，“行动”，或“Genre1”，“Genre2”？我想在下面的第二个案例。
不要用手分配一个流派 - 使用聚类算法
首先，我不会指派仅基于当电影播放时的流派。一般来说，我会阻止你手动进行聚类。因为这是聚类算法的作用。那些使用功能来组合个体，这些个体在某种程度上是相互关联的。
在你的情况，有一个棘手的部分：每个数据点/行不是电影。因此，电影可能出现在不同的集群中，意味着有不同的流派。
有几种选择：
创建新功能
您应该设计为多的新功能*你可以，帮助聚类以便很好地分离数据并创建均匀聚类。
正如我能想到的，你可以这样做：
添加布尔功能为您考虑每一个时间段（0:00 - 3:59;下午4:00 - 6:00; .. ）。这些功能中只有一个是电影播放时的功能之一。其他人为空。
一个特点计数多少次电影已播放（黑衣人更打得比12怒汉））
couting的多少通道ID一项功能都玩过这个电影（ 星球大战播放上比一些宝莱坞电影更多频道）
思考的一个流派如何在所有渠道中呈现/播放，并相应地创建特征。
PS：*不要误解我的意思，尽可能多的特征意味着不仅仅是三个特征，而是所谓的维度诅咒。
你给出了很好的建议，但这个问题并不适合StackOverflow，它更适合[CrossValidated]（http://stats.stackexchange.com/）。 –
@IgorQA非常感谢您提供的建议。我只能拥有“Genre1”，“Genre2”等，因为我的CSV文件只有“随机”数字。现在我有一个（愚蠢的）问题，当你说要创建新的功能时，你的意思是在我的群集算法上创建它吗？这是我第一次这样做，我在你的建议前跑了一圈。 – placplacboom
在您的前三个变量中，创建$ N $新功能，例如我提到的功能。然后，在你的总3 + N特征上执行你的聚类算法 –
你能提供一些你试过的代码吗？就目前来看，这个问题太多而无法回答。 – wheaties
从你的解释看来，你仍然在搞清楚业务逻辑！一旦找出业务逻辑，可以考虑如何使用火花。 – rakesh