聚类在空间数据中的应用

将空间数据可视化有利于更好的观察数据分布，但是，如果样本量过大，难免存在一些冗余信息，不利于观察，也很难发现其中的规律。此时，可以利用基于密度的聚类算法对原始数据进行压缩，从中发现一些具有代表性的特征。

给定一批经纬度样本点，我们可以利用DBSCAN算法对它们进行聚类，进而可以发现样本中潜在的规律。下面是一些示例样本点。

首先读入数据，数据示例如下

其中第一列是维度，第二列是经度，第三列是时间，第四列是城市，第五列是国家。

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

from sklearn.cluster import DBSCAN

from geopy.distance import great_circle

from shapely.geometry import MultiPoint

df = pd.read_csv( 'summer-travel-gps-full.csv' )

coords = df.as_matrix(columns = [ 'lat' , 'lon' ])

在DBSCAN算法中，有两个非常重要的参数，一个参数是epsilon，该参数是最大距离，该距离用于判断两个样本点是否处于同一个聚类，min_samples 参数是聚类的最小样本数。

kms_per_radian = 6371.0088

epsilon = 1.5 / kms_per_radian

db = DBSCAN(eps = epsilon, min_samples = 1 , algorithm = 'ball_tree' , metric = 'haversine' ).fit(np.radians(coords))

cluster_labels = db.labels_

num_clusters = len ( set (cluster_labels))

clusters = pd.Series([coords[cluster_labels = = n] for n in range (num_clusters)])

print ( 'Number of clusters: {}' . format (num_clusters))

跟k-Means不同，DBSCAN不需要事先给定聚类的个数，而是通过epsilon和min_samples 自动确定。

下面的函数可以从一个聚类中的样本点，返回最中心的样本点，该样本点即为该聚类的质心。

def get_centermost_point(cluster):

     centroid = (MultiPoint(cluster).centroid.x, MultiPoint(cluster).centroid.y)

     centermost_point = min (cluster, key = lambda point: great_circle(point, centroid).m)

     return tuple (centermost_point)

centermost_points = clusters. map (get_centermost_point)

上面的函数首先计算质心的坐标，然后寻找聚类中离质心距离最近的样本点。

下面代码用于返回可以代表原样本集的中心点。

lats, lons = zip ( * centermost_points)

rep_points = pd.DataFrame({ 'lon' :lons, 'lat' :lats})

下面的代码用于匹配原样本集中的时间 城市 国家等字段。

rs = rep_points . apply ( lambda row : df [( df [ ’ lat ’ ]== row [ ’ lat ’ ]) & ( df [ ’ lon ’ ]== row [ ’ lon ’]) ]. iloc [0] , axis =1)