DBSCAN密度聚类-Python

拼搏现实的明天。 2024-02-19 12:15 43阅读 0赞

# -*- coding: utf-8 -*-
    """
    Spyder Editor
    
    This is a temporary script file.
    密度聚类亦称“基于密度的聚类”（density-based clustering），此类算法假
    设聚类结构能通过样本分布的紧密程度确定
    
    DBSCAN是一种著名的密度聚类算法，主要是依赖两个主
    要的参数来进行聚类的，即对象点的区域半径Eps和区域内点的个数的阈值MinPts。
    
    DBSCAN算法聚类过程如下：
     将所有的点分别标记为核心点、边界点或噪声点。
     删除识别出的噪声点。
     将在Eps之内的所有核心点连通，并形成一个簇。
     将每个边界点归属到一个与之相关联的核心点的簇中
    """
    
    import pandas as pd
    import numpy as np
    import matplotlib.pyplot as plt
     
    np.random.seed(123)
    s=list(np.random.uniform(0,10,10))*60
    x=pd.Series(np.random.randn(600)*0.2+s)
    y= pd.Series(np.random.randn(600)*0.2+s)
    x=pd.concat([x,y],axis=1) #横向合并数据
    
    from sklearn.cluster import DBSCAN
    '''
    # 聚类，半径为0.2，3代表聚类中点的区域必须至少有3个才能聚成一类
    '''
    model = DBSCAN(eps=0.2,min_samples=3,metric = 'euclidean',metric_params=None).fit(x)
    '''
    点的Eps区域：以空间中任意一点p为圆心，Eps为半径的区域中的点的集合，
    记为集合D。Eps是由用户指定的。
    '''
    model.eps
    model.labels_
    labels = pd.Series(model.labels_,name='label')
    x1 = pd.concat( [x ,labels] ,axis=1)
    '''
    # axis中0是横向合并，1是纵向合并，若属性不对应就不会合并
    '''
    plt.figure(figsize=(8,8)) #8*8的画布
    plt.scatter(x1.iloc[:,0] ,x1.iloc[:,1], c=x1['label'])
    plt.show()
    
    #去除噪声点
    x2 = x1[x1.label > 0]
    
    plt.figure(figsize=(8,8)) #8*8的画布
    plt.scatter(x2.iloc[:,0] ,x2.iloc[:,1], c=x2['label'])
    plt.show()

![70][]

![70 1][]

![70 2][]

[70]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/29/42db5c75ad804db8909dab8f7315c8e5.png
[70 1]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/29/58cee75aba0e4d30b2b94a52bdd64ac0.png
[70 2]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/29/a303d61216724f308b7745458fd94f05.png