DBSCAN算法python代码

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一种基于密度的聚类算法，它可以自动发现具有相似密度的数据点，并将它们划分为不同的簇。下面是一个简单的DBSCAN算法的Python代码示例：

from sklearn.cluster import DBSCAN
from sklearn.datasets import make_moons
import matplotlib.pyplot as plt

# 生成示例数据
X, y = make_moons(n_samples=200, noise=0.05)

# 创建DBSCAN对象
dbscan = DBSCAN(eps=0.3, min_samples=5)

# 拟合数据
dbscan.fit(X)

# 获取聚类结果
labels = dbscan.labels_

# 绘制聚类结果
plt.scatter(X[:, 0], X[:, 1], c=labels)
plt.show()

上述代码中，首先使用`make_moons`函数生成了一个月亮形状的示例数据集。然后创建了一个DBSCAN对象，并通过`fit`方法拟合数据。最后，使用`labels_`属性获取每个数据点的聚类标签，并使用`scatter`函数将数据点按照聚类结果进行可视化。

相关问题

dbscan算法 python代码

以下是 DBSCAN 聚类算法的 Python 代码实现：

from sklearn.neighbors import NearestNeighbors
import numpy as np

class DBSCAN:
    def __init__(self, eps=0.5, min_samples=5):
        self.eps = eps
        self.min_samples = min_samples
        self.core_indices_ = None
        self.labels_ = None
        
    def fit(self, X):
        n_samples = X.shape[0]
        self.core_indices_ = np.zeros(n_samples, dtype=bool)
        nbrs = NearestNeighbors(n_neighbors=self.min_samples, metric='euclidean').fit(X)
        distances, indices = nbrs.kneighbors(X)
        core_distances = np.zeros(n_samples)
        for i in range(n_samples):
            core_distances[i] = distances[i, self.min_samples - 1]
            if core_distances[i] <= self.eps:
                self.core_indices_[i] = True
        labels = np.zeros(n_samples)
        current_label = 1
        for i in range(n_samples):
            if not self.core_indices_[i]:
                continue
            if labels[i] != 0:
                continue
            labels[i] = current_label
            neighbors = indices[i, 1:].tolist()
            while len(neighbors) > 0:
                j = neighbors.pop(0)
                if labels[j] == -1:
                    labels[j] = current_label
                if labels[j] != 0:
                    continue
                labels[j] = current_label
                if self.core_indices_[j]:
                    neighbors += indices[j, 1:].tolist()
            current_label += 1
        self.labels_ = labels
        return self.labels_

该算法实现了 DBSCAN 算法，其中 `eps` 和 `min_samples` 是 DBSCAN 算法的两个超参数，分别表示邻域半径和最小样本数。在 `fit` 方法中，首先计算每个样本点的核心距离，然后确定核心点的索引，通过 BFS（广度优先搜索）遍历所有核心点的邻居，将它们分配到对应的聚类中，并标记为已访问。最终返回所有样本点的聚类标签。

DBSCAN算法 python代码

以下是一个简单的Python实现DBSCAN算法的代码示例：

import numpy as np

class DBSCAN:
    def __init__(self, eps=0.5, min_samples=5):
        self.eps = eps
        self.min_samples = min_samples

    def fit(self, X):
        self.labels_ = np.zeros(len(X))
        C = 0
        for i in range(len(X)):
            if self.labels_[i] != 0:
                continue
            neighbors = self.get_neighbors(X, i)
            if len(neighbors) < self.min_samples:
                self.labels_[i] = -1  # noise point
            else:
                C += 1
                self.expand_cluster(X, i, neighbors, C)

    def get_neighbors(self, X, i):
        d = np.sqrt(np.sum((X - X[i]) ** 2, axis=1))
        return np.where(d <= self.eps)[0]

    def expand_cluster(self, X, i, neighbors, C):
        self.labels_[i] = C
        for j in neighbors:
            if self.labels_[j] == -1:
                self.labels_[j] = C
            elif self.labels_[j] == 0:
                self.labels_[j] = C
                new_neighbors = self.get_neighbors(X, j)
                if len(new_neighbors) >= self.min_samples:
                    neighbors = np.concatenate((neighbors, new_neighbors))

该代码实现了DBSCAN算法的核心逻辑，其中`fit`函数是算法的主要实现部分。在该函数中，首先初始化所有样本点的标签为0，然后遍历每一个样本点。对于每个未被访问过的点，找到与其距离小于等于eps的邻居，如果邻居数量小于min_samples，则将该点标记为噪声点；否则，将该点标记为第C个簇的一个点，并将该点的邻居加入到簇中，并继续向外扩展簇。在扩展簇时，同样需要考虑邻居是否已被访问过或已被归到某个簇中。