代码拉取完成,页面将自动刷新
同步操作将从 birdflyto/Spatio-temporal-Clustering 强制同步,此操作会覆盖自 Fork 仓库以来所做的任何修改,且无法恢复!!!
确定后同步将在后台操作,完成时将刷新页面,请耐心等待。
import numpy as np
import matplotlib.pyplot as plt
from scipy.spatial.distance import pdist
from scipy.spatial.distance import squareform
import time
# 计算距离矩阵
def compute_squared_EDM(X):
return squareform(pdist(X,metric='euclidean'))
# 判断pt点是否为核心点
# ptIndex为点pt的索引
# disMat距离矩阵
# eps为pt的半径(每个点都不一样)
# minPts为pt的圆中的点个数(每个点都不一样)
def isCorePoint(ptIndex,disMat,eps,minPts):
if np.sum(np.where(disMat[ptIndex] <= eps, 1, 0)) >= minPts:
return True
return False
# Adaptive_DBSCAN算法核心过程
def Adaptive_DBSCAN(data,epsArr,minPtsArr):
# 获得距离矩阵
disMat = compute_squared_EDM(data)
# 获得数据的行和列(一共有n条数据)
n, m = data.shape
# 初始化类别,-1代表未分类。
labels = np.full((n,), -1)
clusterId = 0
# 遍历所有轨迹点寻找簇集
for ptIndex in range(n):
# 如果某轨迹点已经有类别,直接continue
if labels[ptIndex] != -1:
continue
# 如果某轨迹点不是核心点,直接continue(因为簇集的产生是由核心点控制)
if not isCorePoint(ptIndex,disMat,epsArr[ptIndex],minPtsArr[ptIndex]):
continue
# 首先将点pointId标记为当前类别(即标识为已操作)
labels[ptIndex] = clusterId
# 然后寻找种子点的eps邻域且没有被分类的点,将其放入种子集合
neighbour = np.where((disMat[:, ptIndex] <= epsArr[ptIndex]) & (labels == -1))[0]
seeds = set(neighbour)
while len(seeds) > 0:
# 弹出一个新种子点
newPoint = seeds.pop()
# 将newPoint标记为当前类
labels[newPoint] = clusterId
# 寻找newPoint种子点eps邻域(包含自己)
queryResults = np.where(disMat[:,newPoint] <= epsArr[newPoint])[0]
if len(queryResults) >= minPtsArr[newPoint]:
# 将邻域内且没有被分类的点压入种子集合
for resultPoint in queryResults:
if labels[resultPoint] == -1:
seeds.add(resultPoint)
# 簇集生长完毕,寻找到一个类别
clusterId = clusterId + 1
return labels
# 将分类后的数据可视化显示
def plotFeature(data, labels_):
clusterNum=len(set(labels_))
fig = plt.figure()
scatterColors = ['black', 'blue', 'green', 'yellow', 'red', 'purple', 'orange', 'brown']
ax = fig.add_subplot(111)
for i in range(-1,clusterNum):
colorSytle = scatterColors[i % len(scatterColors)]
subCluster = data[np.where(labels_==i)]
ax.scatter(subCluster[:,0], subCluster[:,1], c=colorSytle, s=12)
plt.show()
# 加载数据
data = np.loadtxt("data/cluster.csv", delimiter=",")
start = time.clock()
# 获得一共具有多少条数据
n = data.shape[0]
# 构造每一个轨迹点的半径及包含的轨迹点个数
epsArr = np.full((n),2)
minPtsArr = np.full((n),15)
# Adaptive_DBSCAN聚类并返回标识;ϵ=2,且MinPts=15
# 第一个参数是每一个轨迹点的坐标
# 第二个参数是每一个轨迹点自己的半径
# 第三个参数是每一个轨迹点自己的最小包含点
labels=Adaptive_DBSCAN(data,epsArr,minPtsArr)
end = time.clock()
print('finish all in %s' % str(end - start))
plotFeature(data, labels)
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。