一起读代码_DBSCAN学生上网情况分析

DBSCAN算法是一种基于密度的聚类算法，算法使用时需要给定半径范围(Eps)和在该邻域内至少包含的样本点个数(MinPts)，这里的距离可以根据需要选定欧式、曼哈顿、马氏距离等;当数据过于稀疏时则不适合采用该方法。
DBSCAN算法将数据点分为三类：
核心点：在半径Eps内含有超过MinPts数目的点
边界点：在半径Eps内点的数量小于MinPts，但是落在核心点的邻域内
噪音点：既不是核心点也不是边界点的点
DBSCAN算法流程：
1.将所有点标记为核心点、边界点或噪声点；
2.删除噪声点；
3.为距离在Eps之内的所有核心点之间赋予一条边；
4.每组连通的核心点形成一个簇；
5.将每个边界点指派到一个与之关联的核心点的簇中（哪一个核心点的半 径范围之内）
实验数据：

代码详解：

import numpy as np
from sklearn.cluster import DBSCAN
import sklearn.cluster as skc
from sklearn import metrics
import matplotlib.pyplot as plt

if __name__=='__main__':
 mac2id=dict()
 onlinetimes=[]
 f=open('学生月上网时间分布-TestData.txt',encoding='gb18030',errors='ignore')#用于解决目标文件编码中出现的问题
 for line in f:
     mac=line.split(',')[2]
     onlinetime=int(line.split(',')[6])
     starttime=int(line.split(',')[4].split(' ')[1].split(':')[0])#取出小时的数据，具体操作：找到以逗号分隔的第5个数据中以空格分隔的后一个和以冒号分隔的第一个数据-22(以第一条数据为例)
     if mac not in mac2id:
         mac2id[mac]=len(onlinetimes)
         onlinetimes.append((starttime,onlinetime))
     else:
         onlinrtimes[mac2id[mac]]=[(starttime,onlinetime)]#将每一个mac地址中的上网时间放入字典中，如果重复，放入另一个字典(字典中同一目录多次写入数据会保留最后一次数据)
real_X=np.array(onlinetimes).reshape((-1,2))#读取在线时长，变成两列的数组格式，行自动计算
X=real_X[:,0:1]#取所有行的第一列的元素

db=skc.DBSCAN(eps=0.01,min_samples=20).fit(X)
labels=db.labels_#调用DBSCAN算法并给每个数据标签
plt.hist(X,24)
plt.title("Distribution of student's onlinetime")
plt.xlabel("Time")
plt.ylabel("Numbers of students")
plt.show()#用图展示
print('Labels:')
print(labels)
ratio=len(labels[labels[:]== -1])/len(labels)
print('Noise ratio:',format(ratio,'.2%'))#计算标签为-1(噪声)的比例
n_clusters_=len(set(labels))-(1 if -1 in labels else 0)
print('Estimated number of clusters:%d'%n_clusters_)#统计分类的数目
#print("Silhouette Coefficient:%0.3f"%#metrics.silhouette_score(X,labels))
for i in range(n_clusters_):
    print('Cluster',i,':')
    print(list(X[labels==i].flatten()))#将每一类的数据展开拷贝并输出，调用.flatten()否则就是小数组的输出方式

运行结果：


实验总结：
DBSCAN算法可以很好的处理数据分类的任务，相比于K-means算法，它不用设置聚类中心的个数，并且对于噪声和数据偏差较大的样本点有着较好的鲁棒性。
但是当数据较为稀疏或数据间距离过大维数较高时，该算法的适用性较差。