K-Means和DBSCAN算法对比分析（算法Python实现，聚类效果可视化展示）

在开始阅读前可以看一下有关这两个算法的描述和可视化效果展示
Visualizing K-Means Clustering
Visualizing DBSCAN Clustering

---

使用Python实现了两个算法，算法设计场景是对平面二维样本点的计算

算法思想

K-Means算法步骤

1. 随机生成k个点作为样本数据的中心点
2. 计算所有点分别到k个中心点的距离
3. 对于二维的每个样本点，比较到哪一个中心点的距离近（欧式距离最小），就被划分到哪一类，并更新样本点的类别表
4. 对于归类后的数据重新计算中心点的坐标
5. 判断中心点是否有明显变化，如果有，跳转到2，如果没有，跳转到6
6. 程序结束，划分完成

DBSCAN算法步骤

1. 设置与样本集等长的访问标记列表(最初所有的点被标记为noise或unvisted)
2. 设置邻域epsilon,点邻域形成团的最少点数量 min_points
3. 遍历样本点集D, 检查点p的表示是否visited，如果unvisited，执行4，否则继续进行遍历直到结束
4. 检查距p在epsilon范围内的点数量是否达到min_points,如果是，则跳转到5
5. 将邻域内所有点加入到该群集clusters中
6. 检查这些点在其邻域内是否有不少于min_points的点，如果是，递归扩充该群集
7. 完全有可能选择的点在其epsilon球中少于minPoints，并且也不属于任何其他群集。如果是这种情况，则将其视为不属于任何群集的“噪声点”。

算法实现

K-Means算法实现

# 计算两点之间的距离，传入narray作为[[],[],[]]做多个点距离计算，axis=1
def dist(a, b, axis=1):
    return np.linalg.norm(a - b, axis=axis)


def kmeans_alg(k, D):
    """
    params:
    k 设定划分的区域数目
    D 样本点数据集
    """
    # 随机初始化中心点 方法一
    center_x = np.random.randint(D.min(0)[0], D.max(0)[0], size=k)
    center_y = np.random.randint(D.min(0)[1], D.max(0)[1], size=k)
    centers = np.array(list(zip(center_x, center_y)), dtype=D[:,0].dtype)
    # 随机初始化中心点 方法二
    centers = D[np.random.randint(0, len(D), size=k)]
    
    # c_new用来保存迭代产生的新中心点坐标
    centers_new = np.zeros(centers.shape)
    # 用于保存数据所属划分
    labels = np.zeros(len(D))
    # 设置容忍度,该变量为迭代前后中心点的变化明显性，低于这个明显性的时候，不再进行迭代
    tol_move = 10.0
    tol = True
    
    while tol:
        for i in