[Python数据挖掘] DBSCAN聚类算法原理底层实现

最新推荐文章于 2021-07-18 15:43:39 发布

swordtraveller

最新推荐文章于 2021-07-18 15:43:39 发布

阅读量592

点赞数

本文链接：https://blog.csdn.net/swordtraveller/article/details/97929086

版权

本文深入探讨DBSCAN聚类算法，通过Python从底层实现该算法，仅依赖math库，无需numpy。作者通过预处理grade.txt数据集并展示聚类过程，结果与sklearn库的DBSCAN一致。

摘要由CSDN通过智能技术生成

注明：本文主要内容亦曾整理作为本人所选课程《模式识别与机器学习》的期末课程报告。

[问题背景]

关于DBSCAN聚类原理的动画演示，我在B站的投稿《DBSCAN聚类原理动画演示》中已作了介绍，有兴趣的朋友可以先看一下链接中的1分半钟动画演示。

在[Python数据挖掘] sklearn-DBSCAN聚类一文中，我们调用sklearn库的DBSCAN聚类方法，成功对以下ANSI编码的grade.txt文本文档数据集进行了聚类：

YZN,133,108,76
ZHY,96,145,101
WYZ,132,107,60
DHY,100,102,120
CYH,139,99,93
LHY,73,149,81
ZHY,85,148,93
TQP,39,138,85
ZZL,145,112,71
HJC,101,116,118
XZY,99,98,117

[问题分析]

下面从底层实现的角度，只需用到math库，无需使用numpy，逐步实现DBSCAN聚类算法。

针对grade.txt文本文档进行数据预处理并聚类的实例代码：

（grade.txt需要与代码的.py文件位于同一目录下）

import math

class DBSCAN:
    'DBSCAN类'
    eps = 0
    min_samples = 0
    labels_ = []
    

    def __init__(self, eps, min_samples):
        self.eps = eps
        self.min_samples = min_samples

    def distance(self, data1, data2): # 计算距离
        distance = 0
        for i in range(len(data1)):
            distance = distance + pow(data1[i]-data2[i], 2)
        distance = math.sqrt(dista