DBSCAN聚类算法从原理到实现

简介：DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。

算法原理：遍历每个未被标记的点，设定半径r，在该圆内设置阈值minPts，即以该点为圆心半径为r的圆内的点数达到了阈值，则该点为核心点，然后再以圆内的点分别以半径为r画圆，判断是否为核心对象，如果是则放在同一簇内。

算法步骤：DBSCAN需要指定两个参数，扫描半径（EPS）和最小包含点数（minPts）。

• 遍历每一个未被访问的点，如果该点附近点的数量≥minPts，则该点为核心点，并标记为已访问，该点及其附近点形成一个簇，然后递归以相同的方法处理该簇内所有未被访问的点，从而对簇进行扩展。
• 如果附近点数量＜minPts，则该点被标记为噪声点；
• 如果簇充分地被扩展，即簇内所有点被标记为已访问，然后用同样的算法去处理未被访问的点；

数据集：'两条弧线.csv'

x	y
0.908147855	0.047249584
1.025741088	0.147671828
1.062471265	0.016648071
0.967675867	0.016042287
0.99907909	-0.07623251
1.02