Este artículo propone una novedosa medida de distancia para abordar el problema de agrupamiento de datos categóricos. Los datos categóricos existentes carecen de un espacio métrico claro, como la distancia euclidiana, lo que puede provocar pérdida de información durante el proceso de agrupamiento. Para abordar esto, este artículo presenta una novedosa medida de distancia ordinal que aprende la relación de ordenación óptima entre los valores de los atributos categóricos y cuantifica las distancias en un espacio lineal, similar a los atributos numéricos. Considerando la ambigüedad y la imprecisión de los valores categóricos subjetivos, desarrollamos un novedoso paradigma de aprendizaje conjunto que aprende la medida de distancia ordinal simultáneamente con el proceso de agrupamiento. Este método ofrece baja complejidad temporal y convergencia garantizada, logrando una excelente precisión de agrupamiento en conjuntos de datos categóricos y mixtos. La medida de distancia ordinal aprendida facilita la comprensión y la gestión de datos categóricos no intuitivos. La eficacia del método propuesto se verificó mediante experimentos exhaustivos, y el código fuente ya está disponible.
