NQ-DBSCAN python代码

以下是一个简单的NQ-DBSCAN Python实现：

import numpy as np

def nq_dbscan(X, eps, min_pts):
    """
    NQ-DBSCAN聚类算法的Python实现
    :param X: 数据集
    :param eps: epsilon半径
    :param min_pts: 最小邻居数
    :return: 聚类结果
    """
    # 初始化标签和核心点集合
    labels = np.zeros(len(X))
    core_pts = set()

    # 计算距离矩阵
    dist_matrix = np.zeros((len(X), len(X)))
    for i in range(len(X)):
        for j in range(i + 1, len(X)):
            dist_matrix[i][j] = np.linalg.norm(X[i] - X[j])
            dist_matrix[j][i] = dist_matrix[i][j]

    # 找出所有核心点
    for i in range(len(X)):
        if len(np.where(dist_matrix[i] <= eps)[0]) >= min_pts:
            core_pts.add(i)

    # 开始聚类
    cluster_id = 0
    for i in range(len(X)):
        if labels[i] != 0:
            continue

        # 如果当前点是核心点，则从该点开始扩展聚类
        if i in core_pts:
            cluster_id += 1
            labels[i] = cluster_id
            expand_cluster(i, labels, core_pts, dist_matrix, eps, min_pts)

        # 如果当前点不是核心点，则标记为噪声点
        else:
            labels[i] = -1

    return labels

def expand_cluster(pt_idx, labels, core_pts, dist_matrix, eps, min_pts):
    """
    扩展聚类
    :param pt_idx: 当前点的索引
    :param labels: 标签数组
    :param core_pts: 核心点集合
    :param dist_matrix: 距离矩阵
    :param eps: epsilon半径
    :param min_pts: 最小邻居数
    """
    # 找到当前点的所有邻居
    neighbors = np.where(dist_matrix[pt_idx] <= eps)[0]
    for neighbor in neighbors:
        if labels[neighbor] == 0:
            # 如果邻居是核心点，则扩展聚类
            if neighbor in core_pts:
                labels[neighbor] = labels[pt_idx]
                expand_cluster(neighbor, labels, core_pts, dist_matrix, eps, min_pts)
            # 如果邻居不是核心点，则标记为边界点
            else:
                labels[neighbor] = labels[pt_idx]

该实现使用了numpy库来加速计算。首先计算距离矩阵，然后找出所有核心点。然后从每个未分类的点开始，如果该点是核心点，则从该点开始扩展聚类；否则，标记为噪声点。在扩展聚类时，如果邻居是核心点，则继续扩展聚类；否则，标记为边界点。