DBSCAN的算法实现和应用
在学习《Python机器学习实践指南》第3章《构建应用程序,发现低价的机票》一章,文中从google航班查询器爬取机票价格,使用DBSCAN算法实现聚类找出票价有问题的机票。文中使用DBSCAN算法主要还是调用了DBSCAN库。本文想学习DBSCAN的内部实现算法,并通过python实现,同时找一个类似的爬取项目完成。除了参考上面的书籍,本文对于DBSCAN的算法理解主要参考了http://www.cnblogs.com/wsine/p/5180778.html和http://blog.csdn.net/itplus/article/details/10088625中的内容。
DBSCAN算法概述
DBSCAN算法被称为基于密度的空间聚类算法,适用于带有噪声数据的应用。除了给定的数据,还需要给定下面两个参数:
· epsilon(下面简写为eps):同一个聚类中两个点彼此之间的距离
· min_samples(最小点数):创建聚类所需要的最小数量(包括当前点)
注意:当某个点在eps范围内的点数小于min_samples,那么就把该点认为是噪声点。
关于DBSCAN算法,《Python机器学习实践指南》中是这样描述的:
从所有的点的集合中随机选择一个点。从这一个点出发,搜索所有方向上的和当前点相距epsilon距离的范围。如果在epsilon距离的范围内,存在等于或多余最小点数的点,那么这个范围内所有的点就隶属于一个聚类。针对每个新家兔该聚类的点,重复该过程。继续此操作,知道没有任何新的点可以添加到此聚类。此时,第一个聚类就完成了。现在,从已经完成的聚类之外,随机选择新的点再次开始。重复同样的过程,知道没有新的聚类可以形成。
DBSCAN算法流程图
网上给出了DBSCAN算法的伪代码,通常均包含两个函数:
def dbscan(data, eps, minPts)
输入所有数据data,距离eps和每个聚类中的最小点数minPts,对数据中的所有点遍历循环已获得其所对应的聚类。
def expand_cluster(data, clusterResult, pointId, clusterId, eps, minPts)
输入:所有数据data,聚类结果clusterResult,当前点序号pointId,当前聚类标识clusterId,以及距离eps和每个聚类中的最小点数minPts。
对于某一点找出于该点在同一聚类中的所有点。
下面给出流程图,便于理解:
expand_cluster:
调用该函数时,给出的点是新的一个聚类当中的点,聚类ID也是一个新的ID,目的就是获得当前点的聚类数,判断是否可以构成一个聚类。
1.获取与point距离小于或等于eps的点集,如果个数小于minPts,则认为该点是噪声点。
2.如果point的聚类点集send个数大于minPts,那么说明已经可以形成一个聚类,需要对聚类中的其他点依次判断,以获取该聚类中的所有点。注意该过程中找到的新点如果没有处理过,则需要加入send中,直到send中没有数据了,表明当前这个聚类的所有点都获取到了。
对于dbscan:当对一点p调用一次expand_cluster函数后,data中与p在同一聚类的点都设置了对应的clusterID,或者p设为了噪声。只需要再遍历没有处理过的点即可。
DBSCAN算法实现
(本部分算法实现摘自http://www.cnblogs.com/wsine/p/5180778.html)
import numpy as np
import matplotlib.pyplot as plt
import math
import time
UNCLASSIFIED = False
NOISE = 0
def loadDataSet(fileName, splitChar='\t'):
"""
输入:文件名
输出:数据集
描述:从文件读入数据集
"""
dataSet = []
with open(fileName) as fr:
for line in fr.readlines():
curline = line.strip().split(splitChar)
fltline = list(map(float, curline))
dataSet.append(fltline)
return dataSet
def dist(a, b):
"""
输入:向量A, 向量B
输出:两个向量的欧式距离
"""
return math.sqrt(np.power(a - b, 2).sum())
def eps_neighbor(a, b, eps):
"""
输入:向量A, 向量B
输出:是否在eps范围内
"""
return dist(a, b) < eps
def region_query(data, pointId, eps):
"""
输入:数据集, 查询点id, 半径大小
输出:在eps范围内的点的id
"""
nPoints = data.shape[1]
seeds = []
for i in range(nPoints):
if eps_neighbor(data[:, pointId], data[:, i], eps):
seeds.append(i)
return seeds
def expand_cluster(data, clusterResult, pointId, clusterId, eps, minPts):
"""
输入:数据集, 分类结果, 待分类点id, 簇id, 半径大小, 最小点个数
输出:能否成功分类
"""
seeds = region_query(data, pointId, eps)
if len(seeds) < minPts: # 不满足minPts条件的为噪声点
clusterResult[pointId] = NOISE
return False
else:
clusterResult[pointId] = clusterId # 划分到该簇
for seedId in seeds:
clusterResult[seedId] = clusterId
while len(seeds) > 0: # 持续扩张
currentPoint = seeds[0]
queryResults = region_query(data, currentPoint, eps)
if len(queryResults) >= minPts:
for i in range(len(queryResults)):
resultPoint = queryResults[i]
if clusterResult[resultPoint] == UNCLASSIFIED:
seeds.append(resultPoint)
clusterResult[resultPoint] = clusterId
elif clusterResult[resultPoint] == NOISE:
clusterResult[resultPoint] = clusterId
seeds = seeds[1:]
return True
def dbscan(data, eps, minPts):
"""
输入:数据集, 半径大小, 最小点个数
输出:分类簇id
"""
clusterId = 1
nPoints = data.shape[1]
clusterResult = [UNCLASSIFIED] * nPoints
for pointId in range(nPoints):
point = data[:, pointId]
if clusterResult[pointId] == UNCLASSIFIED:
if expand_cluster(data, clusterResult, pointId, clusterId, eps, minPts):
clusterId = clusterId + 1
return clusterResult, clusterId - 1
def plotFeature(data, clusters, clusterNum):
nPoints = data.shape[1]
matClusters = np.mat(clusters).transpose()
fig = plt.figure()
scatterColors = ['black', 'blue', 'green', 'yellow', 'red', 'purple', 'orange', 'brown']
ax = fig.add_subplot(111)
for i in range(clusterNum + 1):
colorSytle = scatterColors[i % len(scatterColors)]
subCluster = data[:, np.nonzero(matClusters[:, 0].A == i)]
ax.scatter(subCluster[0, :].flatten().A[0], subCluster[1, :].flatten().A[0], c=colorSytle, s=50)
def main():
dataSet = loadDataSet('788points.txt', splitChar=',')
dataSet = np.mat(dataSet).transpose()
# print(dataSet)
clusters, clusterNum = dbscan(dataSet, 2, 15)
print("cluster Numbers = ", clusterNum)
# print(clusters)
plotFeature(dataSet, clusters, clusterNum)
if __name__ == '__main__':
start = time.clock()
main()
end = time.clock()
print('finish all in %s' % str(end - start))
plt.show()
对其中的一些内容和语法点作简要说明:
1.欧式距离:两个n维向量a(x11,x12,…,x1n)与 b(x21,x22,…,x2n)间的欧氏距离:
2.shape()获取维数。