航迹聚类的python代码

航迹聚类是一种数据分析技术，常用于对轨迹数据（如航班、车辆或移动设备的位置历史）进行分组和模式识别。在Python中，我们可以使用一些库，如`scikit-learn`、`haversine`等来实现航迹聚类。以下是一个简单的示例，展示如何使用`DBSCAN`算法（基于密度的空间聚类）进行航迹聚类：

# 导入所需库
from sklearn.cluster import DBSCAN
import pandas as pd
from haversine import haversine, Unit

# 假设我们有一个包含经纬度信息的DataFrame，例如df，其中包含两列'lat'和'lon'
# df = pd.read_csv('trajectories.csv')  # 读取数据文件

# 定义计算两点之间的距离函数
def haversine_distance(lat1, lon1, lat2, lon2):
    return haversine((lat1, lon1), (lat2, lon2), unit=Unit.KM)

# 将经纬度转换为距离坐标
df['distance'] = df.apply(lambda row: haversine_distance(row.lat, row.lon, df.lat, df.lon), axis=1)

# 数据预处理（通常包括选择合适的ε值和min_samples参数）
eps = 5  # 距离阈值
min_samples = 10  # 样本点数量阈值

# 使用DBSCAN进行聚类
db = DBSCAN(eps=eps, min_samples=min_samples, metric='precomputed')
clusters = db.fit_predict(df[['distance']])

# 将聚类结果添加回原始DataFrame
df['cluster'] = clusters

# 打印聚类后的数据
print(df)