dbscan：是一種簡單的，基於密度的聚類演算法。本次實現中，
dbscan
使用了基於中心的方法。在基於中心的方法中，每個資料點的密度通過對以該點為中心以邊長為
2*eps
的網格(鄰域)
內的其他資料點的個數來度量。根據資料點的密度分為三類點：
(1)核心點：該點在鄰域內的密度超過給定的閥值
minps
。(2)邊界點：該點不是核心點，但是其鄰域內包含至少乙個核心點。
(3)噪音點：不是核心點，也不是邊界點。
有了以上對資料點的劃分，聚合可以這樣進行：各個核心點與其鄰域內的所有核心點放在同乙個簇中，把邊界點跟其鄰域內的某個核心點放在同乙個簇中。
根據該演算法，實現如下**：
# scoding=utf-8
import pylab as pl
from collections import defaultdict,counter
points = [[int(eachpoint.split("#")[0]), int(eachpoint.split("#")[1])] for eachpoint in open("points","r")]
# 計算每個資料點相鄰的資料點，鄰域定義為以該點為中心以邊長為2*eps的網格
eps = 10
surroundpoints = defaultdict(list)
for idx1,point1 in enumerate(points):
for idx2,point2 in enumerate(points):
if (idx1 < idx2):
if(abs(point1[0]-point2[0])<=eps and abs(point1[1]-point2[1])<=eps):
# 定義鄰域內相鄰的資料點的個數大於4的為核心點
minpts = 5
corepointidx = [pointidx for pointidx,surpointidxs in surroundpoints.iteritems() if len(surpointidxs)>=minpts]
# 鄰域內包含某個核心點的非核心點，定義為邊界點
borderpointidx =
for pointidx,surpointidxs in surroundpoints.iteritems():
if (pointidx not in corepointidx):
for onesurpointidx in surpointidxs:
if onesurpointidx in corepointidx:
break
# 噪音點既不是邊界點也不是核心點
noisepointidx = [pointidx for pointidx in range(len(points)) if pointidx not in corepointidx and pointidx not in borderpointidx]
corepoint = [points[pointidx] for pointidx in corepointidx]
borderpoint = [points[pointidx] for pointidx in borderpointidx]
noisepoint = [points[pointidx] for pointidx in noisepointidx]
# pl.plot([eachpoint[0] for eachpoint in corepoint], [eachpoint[1] for eachpoint in corepoint], 'or')
# pl.plot([eachpoint[0] for eachpoint in borderpoint], [eachpoint[1] for eachpoint in borderpoint], 'oy')
# pl.plot([eachpoint[0] for eachpoint in noisepoint], [eachpoint[1] for eachpoint in noisepoint], 'ok')
groups = [idx for idx in range(len(points))]
# 各個核心點與其鄰域內的所有核心點放在同乙個簇中
for pointidx,surroundidxs in surroundpoints.iteritems():
for onesurroundidx in surroundidxs:
if (pointidx in corepointidx and onesurroundidx in corepointidx and pointidx < onesurroundidx):
for idx in range(len(groups)):
if groups[idx] == groups[onesurroundidx]:
groups[idx] = groups[pointidx]
# 邊界點跟其鄰域內的某個核心點放在同乙個簇中
for pointidx,surroundidxs in surroundpoints.iteritems():
for onesurroundidx in surroundidxs:
if (pointidx in borderpointidx and onesurroundidx in corepointidx):
groups[pointidx] = groups[onesurroundidx]
break
# 取簇規模最大的5個簇
wantgroupnum = 3
finalgroup = counter(groups).most_common(3)
finalgroup = [onecount[0] for onecount in finalgroup]
group1 = [points[idx] for idx in xrange(len(points)) if groups[idx]==finalgroup[0]]
group2 = [points[idx] for idx in xrange(len(points)) if groups[idx]==finalgroup[1]]
group3 = [points[idx] for idx in xrange(len(points)) if groups[idx]==finalgroup[2]]
pl.plot([eachpoint[0] for eachpoint in group1], [eachpoint[1] for eachpoint in group1], 'or')
pl.plot([eachpoint[0] for eachpoint in group2], [eachpoint[1] for eachpoint in group2], 'oy')
pl.plot([eachpoint[0] for eachpoint in group3], [eachpoint[1] for eachpoint in group3], 'og')
# 列印噪音點，黑色
pl.plot([eachpoint[0] for eachpoint in noisepoint], [eachpoint[1] for eachpoint in noisepoint], 'ok')
pl.show()
因為dbscan
使用簇的基於密度的定義，因此它是相對抗噪音的，並且能處理任意形狀和大小的簇。但是如果簇的密度變化很大，例如
abcd
四個簇，
ab的密度大大大於
cd，而且
ab附近噪音的密度與簇
cd的密度相當，這是當
minps
較大時，無法識別簇
cd，簇cd和
ab附近的噪音都被認為是噪音；當
minps
較小時，能識別簇
cd，但
ab跟其周圍的噪音被識別為乙個簇。這個問題可以基於共享最近鄰
(snn)
的聚類結局。
DBSCAN聚類演算法
基於密度定義，我們將點分為 dbscan演算法的本質就是隨大流，邊界點緊緊圍繞著核心點，他們抱團，不帶噪點玩兒 小團體多了，聯絡比較密切的小團體之間聚成了同個類 比較偏遠的小團體想要加入這個圈子，進不去，就單幹，我們自己玩自己的，聚成了另外的乙個類 一開始就被孤立的噪點吧，自然有自己的傲骨，接著孤芳...
DBSCAN 聚類演算法
dbscan演算法是一種基於密度聚類的演算法。核心概念 核心點 若某個點的密度達到演算法設定的閾值 即 r 鄰域內點的數量不小於 minpts 則其為核心點。直接密度可達 若某點p在點q的 r 鄰域內，且q是核心點，則稱p從q出發直接密度可達。密度可達 若有乙個點的序列q0 q1 qk，對任意qi從...
DBSCAN聚類演算法
核心點 在半徑eps內含有超過minpts個數的點。邊界點 在半徑eps內含有小於minpts個數的點，但落在核心點的領域。噪音點 不是以上兩種點的點。每個點都要判斷一遍，標記為核心點，邊界點和噪音點，噪音點要刪除。eps 半徑 min sample 簇的樣本數 metric 計算方式 import...