Python 은 집합 알고리즘 을 기반 으로 밀도 집합(DBSCAN)계산 을 실현 합 니 다[테스트 사용 가능]

본 논문 의 사례 는 Python 이 집합 알고리즘 을 바탕 으로 밀도 집합(DBSCAN)계산 을 실현 하 는 것 을 다 루 었 다.여러분 께 참고 하도록 공유 하 겠 습 니 다.구체 적 으로 는 다음 과 같 습 니 다.
알고리즘 사상
밀 도 를 바탕 으로 하 는 집합 알고리즘 은 견본 밀도 의 측면 에서 견본 간 의 연결 성 을 고찰 하고 연결 가능 한 견본 을 바탕 으로 집합 을 계속 확장 하여 최종 결 과 를 얻 을 수 있 습 니 다.
몇 가지 필요 한 개념:
ε-인접 지역:견본 집중 xj,그것 의ε-인접 도 메 인 은 견본 으로 집중 되 어 그것 과 거리 가 작다.ε샘플 로 구 성 된 집합.
핵심 대상:만약 xj 의ε-인접 도 메 인 에 최소 MinPts 샘플 이 포함 되 어 있 으 면 xj 는 핵심 대상 입 니 다.
밀도 직통:만약 xj 가 xi 에 있다 면ε-이웃 지역 에서 xi 를 핵심 대상 으로 하면 xj 는 xi 밀도 에서 직통 한다.
밀 도 는 다음 과 같다:만약 견본 서열 p1,p2,...,pn.pi+1 은 pi 밀도 로 직통 하면 p1 은 pn 밀도 로 도달 할 수 있 습 니 다.
대체적인 사상 은 다음 과 같다.
1.핵심 대상 집합 T 를 비 워 두 고 샘플 집합 D 의 모든 샘플 을 옮 겨 다 니 며 각 샘플 점 을 계산 합 니 다.ε-인접 도 메 인 에 포 함 된 견본 의 개 수 는 개수 가 MinPts 보다 크 면 이 견본 점 을 핵심 대상 집합 에 추가 합 니 다.클 러 스 터 수 k=0 을 초기 화하 고 접근 하지 않 은 샘플 집합 과 P=D 를 초기 화 합 니 다.
2.T 집합 에 견본 이 존재 할 때 다음 절 차 를 수행 합 니 다.

2.1 현재 방문 하지 않 은 집합 P 기록old = P

2.2 T 에서 핵심 대상 o 를 무 작위 로 선택 하여 하나의 대기 열 을 초기 화 합 니 다.Q=[o]

2.3P=P-o(T 에서 o 삭제)

2.4 Q 에 견본 이 존재 할 때 집행:

2.4.1 추출 대기 열의 첫 번 째 견본 q

2.4.2 계산 q 의ε-인접 도 메 인 에 포 함 된 견본 의 개 수 는 MinPts 보다 크 면 S 를 q 로 합 니 다.ε-인접 지역 과 P 의 교차,
Q = Q+S, P = P-S

2.5 k=k+1,클 러 스 터 생 성 Ck=Pold - P

2.6 T = T - Ck

3.C={C1,C2,...,Ck}로 나 누 기
Python 코드 구현

#-*- coding:utf-8 -*-
import math
import numpy as np
import pylab as pl
 #   ：              ，  ，   
data = """
1,0.697,0.46,2,0.774,0.376,3,0.634,0.264,4,0.608,0.318,5,0.556,0.215,
6,0.403,0.237,7,0.481,0.149,8,0.437,0.211,9,0.666,0.091,10,0.243,0.267,
11,0.245,0.057,12,0.343,0.099,13,0.639,0.161,14,0.657,0.198,15,0.36,0.37,
16,0.593,0.042,17,0.719,0.103,18,0.359,0.188,19,0.339,0.241,20,0.282,0.257,
21,0.748,0.232,22,0.714,0.346,23,0.483,0.312,24,0.478,0.437,25,0.525,0.369,
26,0.751,0.489,27,0.532,0.472,28,0.473,0.376,29,0.725,0.445,30,0.446,0.459"""
#     dataset 30   （  ，   ）   
a = data.split(',')
dataset = [(float(a[i]), float(a[i+1])) for i in range(1, len(a)-1, 3)]
#        ,a,b       
def dist(a, b):
  return math.sqrt(math.pow(a[0]-b[0], 2)+math.pow(a[1]-b[1], 2))
#    
def DBSCAN(D, e, Minpts):
  #         T,    k,    C,      P,
  T = set(); k = 0; C = []; P = set(D)
  for d in D:
    if len([ i for i in D if dist(d, i) <= e]) >= Minpts:
      T.add(d)
  #    
  while len(T):
    P_old = P
    o = list(T)[np.random.randint(0, len(T))]
    P = P - set(o)
    Q = []; Q.append(o)
    while len(Q):
      q = Q[0]
      Nq = [i for i in D if dist(q, i) <= e]
      if len(Nq) >= Minpts:
        S = P & set(Nq)
        Q += (list(S))
        P = P - S
      Q.remove(q)
    k += 1
    Ck = list(P_old - P)
    T = T - set(Ck)
    C.append(Ck)
  return C
#  
def draw(C):
  colValue = ['r', 'y', 'g', 'b', 'c', 'k', 'm']
  for i in range(len(C)):
    coo_X = []  #x    
    coo_Y = []  #y    
    for j in range(len(C[i])):
      coo_X.append(C[i][j][0])
      coo_Y.append(C[i][j][1])
    pl.scatter(coo_X, coo_Y, marker='x', color=colValue[i%len(colValue)], label=i)
  pl.legend(loc='upper right')
  pl.show()
C = DBSCAN(dataset, 0.11, 5)
draw(C)

이 컴퓨터 테스트 실행 결과 그림:

더 많은 파 이 썬 관련 내용 에 관심 이 있 는 독자 들 은 본 사이트 의 주 제 를 볼 수 있다.
본 논문 에서 말 한 것 이 여러분 의 Python 프로 그래 밍 에 도움 이 되 기 를 바 랍 니 다.