Python 使用dbscan对角度数据进行聚类

我需要以X，Y，Phi的形式对数据点进行聚类。现在我使用DBSCAN（sklearn）。除了一件事之外，聚类是有效的：Phi是角度数据，它是模2*Pi。因此，Phi=0附近的聚类是不正确的。有什么办法可以解决这个问题吗？我找不到一个或自己编一个有效的

---

谢谢。

在傅里叶框架之外，圆边界条件实际上不容易实现

您可以尝试通过将

X，Y，Phi

替换为

X，Y，a*cos（Phi），a*sin（Phi）

来重新参数化，其中需要正确选择

a>0

，这是一种比例因子，以便向2D空间的投影能够按照您在聚类中需要的方式进行。首先检查

a=1

（如果对于纯

Phi

，它工作正常，那么这是一个很好的候选者），然后检查剩余数据的数量级

X，Y

这背后的想法是用相位的“真正的”复杂“含义”取代

Phi

，即

exp（1j*Phi）

，但始终保持其真实性

然后，根据此重新参数化计算距离，例如欧几里德：

dist = ((np.array([X1, Y1, a* np.cos(Phi1), a * np.sin(Phi1)]) - np.array([X2, Y2, a * np.cos(Phi2), a * np.sin(Phi2)])) ** 2).sum()

---

在将圆边界条件馈送到DBSCAN对象之前，您需要对每一对进行此操作。

在傅里叶框架之外，圆边界条件实际上不容易实现

您可以尝试通过将

X，Y，Phi

替换为

X，Y，a*cos（Phi），a*sin（Phi）

来重新参数化，其中需要正确选择

a>0

，这是一种比例因子，以便向2D空间的投影能够按照您在聚类中需要的方式进行。首先检查

a=1

（如果对于纯

Phi

，它工作正常，那么这是一个很好的候选者），然后检查剩余数据的数量级

X，Y

这背后的想法是用相位的“真正的”复杂“含义”取代

Phi

，即

exp（1j*Phi）

，但始终保持其真实性

然后，根据此重新参数化计算距离，例如欧几里德：

dist = ((np.array([X1, Y1, a* np.cos(Phi1), a * np.sin(Phi1)]) - np.array([X2, Y2, a * np.cos(Phi2), a * np.sin(Phi2)])) ** 2).sum()

---

在将圆边界条件馈送到DBSCAN对象之前，您需要对每一对进行此操作。

在傅里叶框架之外，圆边界条件实际上不容易实现

您可以尝试通过将

X，Y，Phi

替换为

X，Y，a*cos（Phi），a*sin（Phi）

来重新参数化，其中需要正确选择

a>0

，这是一种比例因子，以便向2D空间的投影能够按照您在聚类中需要的方式进行。首先检查

a=1

（如果对于纯

Phi

，它工作正常，那么这是一个很好的候选者），然后检查剩余数据的数量级

X，Y

这背后的想法是用相位的“真正的”复杂“含义”取代

Phi

，即

exp（1j*Phi）

，但始终保持其真实性

然后，根据此重新参数化计算距离，例如欧几里德：

dist = ((np.array([X1, Y1, a* np.cos(Phi1), a * np.sin(Phi1)]) - np.array([X2, Y2, a * np.cos(Phi2), a * np.sin(Phi2)])) ** 2).sum()

---

在将圆边界条件馈送到DBSCAN对象之前，您需要对每一对进行此操作。

在傅里叶框架之外，圆边界条件实际上不容易实现

您可以尝试通过将

X，Y，Phi

替换为

X，Y，a*cos（Phi），a*sin（Phi）

来重新参数化，其中需要正确选择

a>0

，这是一种比例因子，以便向2D空间的投影能够按照您在聚类中需要的方式进行。首先检查

a=1

（如果对于纯

Phi

，它工作正常，那么这是一个很好的候选者），然后检查剩余数据的数量级

X，Y

这背后的想法是用相位的“真正的”复杂“含义”取代

Phi

，即

exp（1j*Phi）

，但始终保持其真实性

然后，根据此重新参数化计算距离，例如欧几里德：

dist = ((np.array([X1, Y1, a* np.cos(Phi1), a * np.sin(Phi1)]) - np.array([X2, Y2, a * np.cos(Phi2), a * np.sin(Phi2)])) ** 2).sum()

这是在将每对数据馈送到DBSCAN对象之前对其执行的操作。

DBSCAN可以使用任意距离

因此，首先定义一个距离函数（可能涉及一些三角函数），然后将其作为相似性插入DBSCAN

您可能会使用以下内容：

distance = (x1-x2)**2 + (y1-y1)**2 + factor * sin(phi1-phi2)**2

但是你需要仔细选择你的重量

系数

，因为我想角度差与

X

和

Y

轴的比例不同

出于显而易见的原因，不要在此数据集上使用欧几里德距离。

DBSCAN可以处理任意距离

因此，首先定义一个距离函数（可能涉及一些三角函数），然后将其作为相似性插入DBSCAN

您可能会使用以下内容：

distance = (x1-x2)**2 + (y1-y1)**2 + factor * sin(phi1-phi2)**2

但是你需要仔细选择你的重量

系数

，因为我想角度差与

X

和

Y

轴的比例不同

出于显而易见的原因，不要在此数据集上使用欧几里德距离。

DBSCAN可以处理任意距离

因此，首先定义一个距离函数（可能涉及一些三角函数），然后将其作为相似性插入DBSCAN

您可能会使用以下内容：

distance = (x1-x2)**2 + (y1-y1)**2 + factor * sin(phi1-phi2)**2

但是你需要仔细选择你的重量

系数

，因为我想角度差与

X

和

Y

轴的比例不同

出于显而易见的原因，不要在此数据集上使用欧几里德距离。

DBSCAN可以处理任意距离

因此，首先定义一个距离函数（可能涉及一些三角函数），然后将其作为相似性插入DBSCAN

您可能会使用以下内容：

distance = (x1-x2)**2 + (y1-y1)**2 + factor * sin(phi1-phi2)**2

但是你需要仔细选择你的体重

系数

，因为角度差与你的

X

和不同