DBSCAN聚类算法
一、算法原理
根据密度进行聚类。
三类数据点：核心点，边界点，噪音点。
二、算法参数
eg:db=skc.DBSCAN(eps=0.01,min_samples=20)三、算法应用代码解析
import numpy as np import sklearn.cluster as skc import matplotlib.pyplot as plt from sklearn import metrics mac2id=dict() onlinetimes=[] fr=open('TestData.txt',encoding='utf-8').readlines()#encoding='utf-8'？什么意思？？？？ for line in fr: mac = line.split(',')[2]#提取用户mac地址，作为每个用户的标识。 onlinetime = int(line.split(',')[6])#提取用户上网时间并转化为整形 starttime = int(line.split(',')[4].split(' ')[1].split(':')[0])#,2014-07-20 23:10:16这是分割对象，分割的时候以，为标识 # 切割下有逗号行的第四个元素。然后在第四个元素里面以空格为标识切割下有空格行的第1个元素，在第一个元素中以：为标识进行切割，切割下 #得到的各元素的第0个元素，即23，最后都转化为int类型 #字典用来存贮用户的地址和位置方便数组内相应位置的元组更新，当用户地址重复时，字典不做改变，改变的是数组中的元组。这样操作最后得到的 #结果就是用户上网最后的时间和最新的累计上网时长。 if mac not in mac2id:#如果用户mac地址不在mac2id字典中 mac2id[mac] = len(onlinetimes)#添加新的用户地址和地址位置。 onlinetimes.append((starttime, onlinetime))#数组长度加1，添加用户对应的上网时长和上网时间。 else: onlinetimes[mac2id[mac]] = [(starttime, onlinetime)]#数组字典长度都不变，更新重复地址中的上网时间和时长。 real_X = np.array(onlinetimes).reshape((-1, 2))#把元组变化为数组，并且将数组塑造成不知道几行但一定是两列的矩阵 X = real_X[:, 0:1]#0维上面（矩阵纵向）的数字不管（都要），但1维上面只要第0:1个元素（第一个元素取不到）。如果不指定区间地取值，比如[:,1] #这样切片，得到的新矩阵就不能保留原来矩阵的风格。得到了一维数组。 db = skc.DBSCAN(eps=0.01, min_samples=20).fit(X)#使用上网开始时间数据计算得到数据相应标签（可以理解为数据的分身，有两个属性，一是 #数据本身的值，二是该数据的簇值。 ） labels = db.labels_#提取标签的簇值属性（标签属性） print('Labels:') print(labels)#打印标签 raito = len(labels[labels[:] == -1]) / len(labels)#遍历标签中所有等于-1的元素并计算元素占整体元素的百分比。这里只能操作纵向元素。 #纵向运用降维的话，就变成横向。 print('Noise raito:', format(raito, '.2%')) n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)#set()去除labels中重复的元素，然后计算长度即代表所分成的簇， # 如果有噪音点则去除含有噪音点的簇，因此结果计算出来就是不含噪音点的簇的数目。 print('Estimated number of clusters: %d' % n_clusters_) print("Silhouette Coefficient: %0.3f" % metrics.silhouette_score(X, labels))#评价聚类效果 for i in range(n_clusters_): print('Cluster ', i, ':') print(list(X[labels == i].flatten()))#把labels中等于各自簇的元素用列表表示出来，并且降成一维数组。 plt.hist(X, 24) plt.show()