对离散值样本的大型数据集进行聚类

Question

我正在尝试将（AgglomerativeCluster，kMeans）一个非常大的以下类型的数据集进行集群：
[0,0,0,0,1,2,2,2,3,4,4,4,5,5,5,5,5,5,5]
也就是说，重复多次的整数样本

简言之，我希望通过将样本转换为更短的计数列表来预处理样本：
[（0,4）、（1,1）、（2,4）、（3,1）、（4,3）、（5,9）]
然后将其用作聚类的输入

Q：您知道如何使用这样的计数列表作为聚类的输入吗？

我这样做的主要动机是，当输入数组的长度超过50000时，sklearn.cluster.KMeans或sklearn.cluster.aggregativeclustering将引发异常。我的数据集的长度以百万为单位

我已经启动并运行了一个数据压缩阶段，其中我：

1. 分类
2. 分成大小相等的块
3. 计算每个区块的平均值

然后继续使用平均值列表作为聚类的输入。 这很有效。然而，产生的集群显示出对区块大小的依赖，我发现这个选择很难捍卫

我还尝试使用每个值的频率作为权重，这是sklearn.cluster.KMeans似乎允许的。然而，我真的在猜测这些重量是用来做什么的

谢谢