DBScan密度聚类方法

第1关：两点之间距离及相邻条件判断

任务描述

本关任务：编写一个能计算点与点之间距离并判断其是否相邻的算法。 ####相关知识 为了完成本关任务，你需要掌握：1.欧几里得距离公式；2.bool类型返回值。 #####欧几里得距离公式 聚类分析的关键步骤时判断两点是否相邻，为了简便运算，我们使用欧几里得距离公式作为运算介质。上一实验已经进行了距离公式的编写，这里再回顾一下。

算法代码如下：

1. return math.sqrt(np.power(a - b, 2).sum())

bool类型返回

经过先前实验，我们已经了解到函数的返回值，这次来编写一个简短的返回bool类型值的函数。

算法代码如下：

1. return Distance(a, b) < eps

编程要求

根据提示，在右侧编辑器补充代码，计算并输出距离样本最近的簇中心索引值。 经过上一实训，我们了解了如何计算两点之间的距离，为了简便运算，这里我们选择欧氏距离作为标准。 1）主函数将传聚类中心点的值至子函数； 2）以样本点为中心，计算样本点到各个聚类中心的距离； 3）找出样本距离最短的聚类中心点，并添加至索引号； 4）第一次聚类划分之后，将聚类点的平均值重新作为聚类中心点； 5）重新整个流程，精确聚类结果。

测试说明

平台会对你编写的代码进行测试： 测试输入：

1. 1,2
2. 3,9
3. 2

预期输出：

1. 7.280109889280518
2. False

测试输入：

1. 1,2
2. 4,6
3. 6

预期输出：

1. 5.0
2. True

---

开始你的任务吧，祝你成功！

import numpy as np
import math

def Distance(a, b):
    """
    输入：向量A, 向量B
    输出：两个向量的欧式距离
    """
    #   请在此添加实现代码     #
    #********** Begin *********#
    return math.sqrt(np.power(a-b,2).sum())
    #********** End ***********#

def Eps_Neighbor(a, b, eps):
    """
    输入：向量A, 向量B
    输出：是否在eps范围内
    """
    #********** Begin *********#
    return Distance(a,b) < eps
    #********** End ***********#

第2关：聚合相邻的点，统计聚类数目

任务描述

本关任务：

1. 编写函数来计算在样本eps半径范围内的样本点个数；
2. 编写函数来计算每个类别的样本点数目。

相关知识

为了完成本关任务，你需要掌握：1.查找eps范围内的样本点的id；2.利用列表统计样本点个数。

查找eps范围内的样本点的id

在上一小节中，我们已经学会了如何计算两个点之间的欧氏距离，本节我们将通过上一小节的函数计算在每个样本点eps半径范围内的样本点id。通过编写Region_Query函数ÿ