DBSCAN聚类算法

DBSCAN聚类算法

DBSCAN（Density-based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法）是一种基于密度的空间聚类算法。

• 核心对象:若某个点的密度达到算法设定的阈值则其为核心点。(即r邻域内点的数量不小于minPts )。其中minPts是自己设定的点的个数，即以r为圆心的圆包含的点多余minPts，那么它就是一个核心对象
• ε-邻域的距离阈值∶设定的半径ε。
• 直接密度可达︰若某点p在点q的ε 邻域内，且q是核心点则p->q直接密度可达。可以理解为p在核心点q的圆内。
• 密度可达∶若有一个关于点的序列q0、q1、…qk，对任意qi->qi-1是直接密度可达的，则称从q0到qk密度可达，这实际上是直接密度可达的“传播”。
• 边界点：属于某一个类的非核心点，即它的邻域内的点少于minPts。
• 噪声点：不属于任何一个类簇的点，即任何一个核心点都不包括这个点，从任何一个核心点到这个点都是密度不可达的。

需要指定的参数：阈值minPts以及半径ε。

可用于异常点的检测。

半径r：找突变点

K距离：对于数据集P={p(i);i=0,1,…n}，计算点P(i)到P的子集S的距离并从小到大排序，找到距离突变的点，则认为突变点前面的就离了比较合适。

minPts：K距离中的K值，一般取小一点，多次尝试

对于数据集D:
首先将所有数据都标记为unvisited;

DO
任取一个未标记数据点p:
将p标记为visited;
​	if p是核心点：
​		将其添加到新的簇C中;
​		将p邻域中的每个点添加到N中;
​		for p' in N:
​			if p'是 unvisited:
​				将p'标记为visited;
    ​			if p'是核心点：
    ​				将p'邻域内的点添加到N中;
    ​			if p'未被分配到簇中，将其添加到簇C中;
​	else p为噪声，将其添加到-1簇中;
Until 没有unvisited的对象

优点：

• 不需要指定簇的个数
• 只需要两个参数（半径r和阈值minPts）
• 擅长找到离群点（用于异常值监测）

缺点：

• 高维数据有点困难
• 参数难以选择
• SKlearn中效率很慢

数据集

1.导入相关包

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

2.读取数据

data = pd.read_csv("./data/dataset1.csv",header=None)
data = data.values.tolist()

3.画出原始图像

# 画出原始图像
fig, ax = plt.subplots()
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

plt.scatter([i[0] for i in data], [i[1] for i in data])
plt.show()

4.计算欧氏距离

'''
计算欧氏距离
'''

def calDist(a,b):
    a = np.array(a)
    b = np.array(b)
    dist = np.sqrt(np.dot((a-b),(a-b).T))
    return dist

5.获取某个点邻域内的点的个数以及列表

'''
获取某个点邻域内的点的个数以及列表
'''
def findNeibors(p,epsilon,data):
    neibors = [] #用于存储这个点邻域内的点
    for q in data:
        dist = calDist(p,q)
        if dist <= epsilon:
            neibors.append(q)
    cnt = len(neibors)
    return cnt,neibors

6.返回一个未被选择点.若没有未选择点，返回-1

'''
返回一个未被选择点.若没有未选择点，返回-1
'''
def getUnvisited(selected):
    for i in range(len(selected)):
        if selected[i] == 0:
            return i
    
    return -1

7.判断是否将q添加到簇中

'''
判断是否将q添加到簇中
'''
def isInClusters(q,all_clusters):
    for clusters in all_clusters:
        if q in clusters:
            return True
    
    return False

8.设置参数

# 设置参数
minPts = 3
epsilon = 1.0

9.算法实现

'''
DBSCAN算法
'''
def DBSCAN(epsilon,minPts,data):
    all_clusters = [] # 所有簇
    noiseList = []
    selected = [0 for i in range(len(data))]
    while getUnvisited(selected) != -1:
        C = [] # 保存同一个簇的点
        i = getUnvisited(selected) # 找未选择点
        selected[i] = 1 # 修改选择状态
        p = data[i]
        cnts,neibors = findNeibors(p,epsilon,data) #获取邻域内的点
        if cnts > minPts: # p为核心点
            C.append(p) # 将p添加到簇中
            for q in neibors: # 遍历核心点p的邻域点
                if selected[data.index(q)] == 0:
                    selected[data.index(q)] = -1
                q_cnt,q_neibors = findNeibors(q,epsilon,data)
                if q_cnt > minPts: # 如果q是核心点，将其邻域内的点添加到neibors中
                    for i in q_neibors:
                        if i not in neibors:
                            neibors.append(i)
                #判断q是否已经添加到簇
                if not isInClusters(q,all_clusters):
                    C.append(q)
        else:
            noiseList.append(p)
        
        if len(C) != 0:
            all_clusters.append(C) #找完一个簇，添加到all_clusters中
        
    all_clusters.append(noiseList) # 将噪声点添加到all_clusters中
            
    return all_clusters            

10.运行并展示聚类结果

if __name__ == "__main__":
    all_clusters = DBSCAN(epsilon,minPts,data)    
    fig,ax = plt.subplots()
    n = len(all_clusters)
    for i in range(len(all_clusters)):
        cluster = all_clusters[i]
        if i!= len(all_clusters) -1:
            ax.scatter([j[0] for j in cluster],[j[1] for j in cluster])
        else:
            ax.scatter([j[0] for j in cluster],[j[1] for j in cluster],label="noise",c='purple')
            plt.legend()
    plt.show()

from sklearn.cluster import DBSCAN
db = DBSCAN(eps=epsilon,min_samples=minPts)
db.fit(data)
plt.scatter([i[0] for i in data],[i[1] for i in data],c = db.labels_)
plt.show()