让我们从 project's README :

import numpy as np
from kmodes.kmodes import KModes

# random categorical data
data = np.random.choice(20, (100, 10))

km = KModes(n_clusters=4, init='Huang', n_init=5, verbose=1)

clusters = km.fit_predict(data)

现在,我们可以使用pickle模块保存此内容:

import pickle

# It is important to use binary access
with open('km.pickle', 'wb') as f:
    pickle.dump(km, f)

要读回对象,请使用

with open('km.pickle', 'rb') as f:
    km = pickle.load(f)

kmodes和kprototypes类似乎继承自scikit learns BaseEstimator。在sklearn中,可以使用pickle通过标准序列化保存/加载经过训练的模型。

以下是有关使用pickle或joblib中的序列化代码保存模型的sklearn文档的链接: http://scikit-learn.org/stable/modules/model_persistence.html

这个答案解决了你的问题吗?kmodes模型在应用程序中是否不可序列化?

你在找蟒蛇 pickle 图书馆

pickle模块实现了一种将任意Python对象转换为一系列字节的算法。这个过程也称为序列化对象。然后,可以传输或存储表示对象的字节流,然后进行重构以创建具有相同特征的新对象。

我想 this 将是一个非常有用的资源,为您在实施它。

要查看的另一个库包括 cPickle 。为什么?

首先,cPickle比pickle快1000倍,因为 前者在C中实现。

考虑到您需要将模型保存到磁盘,这可能意味着您的模型相当大。时间是最重要的,这将为你节省大量时间。

其次,在cPickle模块中 可调用的Pickler()和Unpickler()是函数,而不是类。这 意味着您不能使用它们来派生自定义酸洗和 取消勾选子类。大多数应用程序都不需要这样做 功能,并应受益于性能的极大改进 cPickle模块的。

因此,这取决于您的程序和所需的功能。可以找到一个使用cPickle的好例子 here