DBSCAN地图的实现

什么是DBSCAN

最近在搞比赛，深入理解了一下DBSCAN算法，下面说说我的心得

DBSCAN（Density-Based Spatial Clustering of Application with Noise，具有噪声的基于密度的空间聚类应用）是一种基于高密度连接区域的密度聚类算法。该算法将具有足够高密度的区域划分为簇，并可以在带有“噪声”的空间数据库中发现任意形状的聚类，它定义簇为密度相连的点的最大集合。相比于较常见的kmeans聚类，DBSCAN不需要初始选取的点的个数，具有一次扫描数据便完成聚类的优点。

原理

任意点p的局部点密度由两个参数定义，即Eps（邻域的最大半径）及MinPts（在Eps邻域中的最少点数）。相关一些概念的定义如下：
定义1（Eps邻域）　
给定一个对象p，p的Eps邻域NEps（p）定义为以p为核心，以Eps为半径的d维超球体区域，即：

其中，D为d维实空间上的数据集， dist (p,q)表示D中的2个对象p和q之间的距离。

定义2（核心点与边界点）　
对于对象p∈D，给定一个整数MinPts，如果p的Eps邻域内的对象数满足|NEps§|≥MinPts ，则称p为(Eps，MinPts ) 条件下的核心点；不是核心点但落在某个核心点的Eps邻域内的对象称为边界点。

这两个定义是最重要的定义
算法流程：
（1）找出所有核心点
（2）访问核心点领域内的所有核心点
（3）当所有已访问的核心点的领域都不能访问其他未访问的核心时，生成 一个簇

代码实现

def dbscan(df,mins,r):
    lat=df['latitude'].tolist()
    lon=df['longitude'].tolist()
    time=df['timestamp'].tolist()
    '''
    查找所有的核心点
    '''
    he={}

    for i in range(len(lat)):
        he[time[i]]=[time[i]]
    for i in range(len(lat)):

        for j in range(1,len(lat)):
            if geodesic((lat[i],lon[i]),(lat[j],lon[j])).m < r:
                he[time[i]].append(time[j])
    hexin=[]
    for i in he:
        if len(he[i])>mins:
            hexin.append(i)
    D=set(time)
    '''
    随机选取核心点进行迭代
    '''
    c=[]
    k=0
    while len(hexin)!=0:
        D_old=D
        q=[]
        o=hexin[random.randint(0,len(hexin))] #随机选取一个核心点
        q.append(o)
        D=D-set([o]) #表示已访问过这个核心点
        while len(q)!=0:
            x=q.pop(0)
            if x in he:
                detal=set(he[x])&D
                for i in detal:
                    if i not in q:
                        q.append(i)
                D=D-detal
        c.append(D_old-D)
        for i in c[k]:
            if i in hexin:
                hexin.remove(i)
        k+=1
    return c

可视化工具

这个网址可以看DBSCAN的可视化过程，加深理解

https://www.naftaliharris.com/blog/visualizing-dbscan-clustering/