dbscan算法聚类C++代码

DBSCAN（Density-Based Spatial Clustering of Applications with Noise，基于密度的空间聚类应用算法）是一种非监督学习的聚类算法，它不需要预先指定聚类的数量，而是根据数据点周围的密度来发现聚类。以下是使用C++实现DBSCAN的一个简化版伪代码：

#include <vector>
#include <cmath>

// 定义数据结构Point，包含x,y坐标
struct Point {
    double x, y;
};

// 计算两个点之间的欧氏距离
double distance(Point p1, Point p2) {
    return sqrt(pow(p1.x - p2.x, 2) + pow(p1.y - p2.y, 2));
}

class DBSCAN {
public:
    // 初始化函数
    DBSCAN(double eps, int minPts, const std::vector<Point>& data);

    // 主要聚类操作
    void cluster();

private:
    std::vector<Point> points;           // 数据集
    double eps;                           // 密度邻域半径
    int minPts;                          // 最小邻居数
    std::vector<std::vector<int>> clusters; // 存储每个簇的索引
    bool isCorePoint(int idx);            // 判断某个点是否为核心点
    bool isNeighbor(int idx1, int idx2);   // 判断两点是否临近
};

DBSCAN::DBSCAN(double eps, int minPts, const std::vector<Point>& data) {
    // 初始化
    this->eps = eps;
    this->minPts = minPts;
    this->points = data;
}

void DBSCAN::cluster() {
    for (int i = 0; i < points.size(); ++i) {
        if (!isCorePoint(i)) continue;

        // 开始扩展簇
        expandCluster(i);
    }
}

bool DBSCAN::isCorePoint(int idx) {
    int neighbors = 0;
    for (int j = 0; j < points.size(); ++j) {
        if (distance(points[idx], points[j]) <= eps && !visited[j]) {
            ++neighbors;
            visited[j] = true;
        }
    }

    return neighbors >= minPts;
}

bool DBSCAN::isNeighbor(int idx1, int idx2) {
    return distance(points[idx1], points[idx2]) <= eps;
}

void DBSCAN::expandCluster(int seed) {
    visited[seed] = true;
    clusters.push_back(std::vector<int>({seed}));

    std::queue<int> frontier;
    frontier.push(seed);

    while (!frontier.empty()) {
        int current = frontier.front();
        frontier.pop();

        for (int neighbor_idx = 0; neighbor_idx < points.size(); ++neighbor_idx) {
            if (!visited[neighbor_idx] && isNeighbor(current, neighbor_idx)) {
                visited[neighbor_idx] = true;
                frontier.push(neighbor_idx);
                clusters.back().push_back(neighbor_idx);
            }
        }
    }
}

// 使用示例
int main() {
    std::vector<Point> data = ...; // 实际的数据集合
    DBSCAN dbScan(eps, minPts, data);
    dbScan.cluster();

    // 输出聚类结果
    for (const auto& cluster : dbScan.clusters) {
        std::cout << "Cluster: ";
        for (int point_id : cluster) {
            std::cout << "[" << points[point_id].x << ", " << points[point_id].y << "] ";
        }
        std::cout << "\n";
    }

    return 0;
}

这只是一个简化的版本，实际应用中可能需要添加错误处理、优化等。注意，这个代码没有包括噪声点的处理，通常会在最后一步移除被认为是噪声的孤立点。