ClustLib——A C++ Data Clustering Framework（一）：数据集相关类设计

数据（Data）是一个聚类算法（a clustering algorithm）的重要组成部分，不然所聚为何物呀，也是聚类算法的处理对象和意图。因此在设计和实现聚类算法之前，我们需要进行数据的设计与实现（存储数据的结构及相关类的关系）。

本文作为 C++ 数据聚类框架的 ClustLib 系列的第一篇文章，我们首先进行基础类（Foundation Classes），也即数据集（datasets）的设计与实现。在数据聚类的相关文献中，一个数据集（dataset）是记录（record）的集合（a collection of records），而一个记录又被属性（attributes）所描述（characterized by a set of attributes），正如本文的第一幅图表所示。

从一张最终呈现出来的表（table，代表数据集），来建立起表中元素与代码中不同类的对应关系（采用面向对象的方式）。

客户端程序

我们先来看客户端程序，进一步思考如何进行类和接口的设计。我们来对如下形式的数据集进行数据结构（也即面向对象中的类）的设计：

#include <boost/shared_ptr.hpp>
#include "./datasets/dataset.hpp"

using namespace std;
using namespace ClusLib;

int main(int, char**)
{
// 首先创建所谓的模式Schema
// 如同我们在word中建一张表，先建的是表头，

// Schema类继承自Container<boost::shared_ptr<AttrInfo>>
// 为显示提供其构造函数
boost::shared_ptr<Schema> schema(new Schema);
boost::shared_ptr<DAttrInfo> labelInfo(new DAttrInfo("Label"));            // 标签列，也即上例中的最后一列
boost::shared_ptr<DAttrInfo> idInfo(new DAttrInfo("Identifier"));

return 0;
}

属性（Attributes）

一个属性（Attribute）标识一条记录中的一个独立的成分。我们可将属性分为四类（four categories）：ratio，interval，ordinal 以及 nominal。我们可以使用一个实数（a real number）存储一个 ratio 或者 interval 型属性，使用一个整数（integer）来存储一个 ordinal 或者 nominal 型属性。

为了实现对属性（Attributes）的抽象，我们设计了四个基础类（Foundation Classes），分别为：AttrValue，AttrInfo，CAttrInfo 以及 DAttrInfo。其UML类图如下所示：



AttrInfo 类的说明：

用来操作属性值

属于操纵类；

该类代表属性信息，而非属性本身

也即本身不持有值内容

所以当涉及 AttrInfo 的比较（乃至CAttrInfo/DAttrInfo 的比较时）

并不涉及值的（内容的）比较，更多的是比如属性名，属性类型，此类的抽象层面的比较；

bool AttrInfo::equal_shallow(const AttrInfo& ai) const
{
return _name == ai.name() && _type == ai.type();
}
bool CAttrInfo::euqal(const AttrInfo& ai) const
{
return equal_shallow(ai) && ai.can_cast_to_c();
}

真正的保存值的类在 AttrValue

记录（Record）

需要依靠

Schema

才能建立。

数据集（Dataset）

也是需要

Schema

才能建立。