Python 使用DBSCAN查找最密集的群集？

我一直在看Geoff Boeing在DBSCAN上的精彩博客文章。我最感兴趣的页面是-

我如何修改此方法以返回最大群集的中心（群集中心周围有最多lat/lng点）？是否存在与每个簇的中心点相关的密度等级

核心DBS可以-

db = DBSCAN(eps=.01, min_samples=1).fit(coordinates)
labels = db.labels_
num_clusters = len(set(labels)) - (1 if -1 in labels else 0)
clusters = pd.Series([coordinates[labels == i] for i in xrange(num_clusters)])
print('Number of clusters: %d' % num_clusters)

---

不幸的是，这篇博文在一些关键点上是错误的

切勿将DBSCAN与

minu samples=1

一起使用。即单连锁聚类如果需要单链接，请使用单链接，而不是DBSCAN。在这里，领导者集群可能也是一个不错的选择

明智地选择eps。在他的例子中，他选择了非常小的eps，他几乎删除了（接近）重复的eps

DBSCAN群集没有有意义的中心。因为它们可以是非凸的。特别是，中心需要考虑哈弗斯距离，而他没有。第一个版本使用的是平均值，新版本使用的是最接近平均值的点（但由于平均值没有考虑地球，所以可能仍然会被扭曲）

在纬度和经度上，您应该在聚类过程中使用大圆距离，而不仅仅是之后。（现在已在博客中修复）

上面的第3点也回答了您的问题：DBSCAN群集可能没有有意义的中心。中心可以位于群集外部

---

自改革以来，一些要点（特别是第4点）得到了改进。DBSCAN现在实际上使用了haversine和ball树索引。

如果您有兴趣将最大的簇表示为“中心”点（例如，降维），我将执行以下操作：

查找分类点数最多的群集：

# Assumes coordinates is a DataFrame
db = DBSCAN(eps=eps, min_samples=min_samples).fit(coordinates)
df = pd.DataFrame([coordinates.x, coordinates.y, db.labels_]).T # Add other attributes of coordinates if needed
df.columns = ['x', 'y','label']; # Add column names
max_label = df.label.mode()[0];

max_cluster = df[df['label']==max_label];

可以取每列的平均值

max_cluster_array = max_cluster[['x','y']].as_matrix()
print max_cluster_array.mean(axis=0) # what you are looking for

---

如果你有兴趣评估一个更强大的“中心”点，你也可以研究函数。

我也在做一个类似的项目，并使用他的博客文章作为指导。返回最大集群中心的逻辑（但请注意，使用DBSCAN时，中心本身可能没有意义）：按大小对集群排序，取最大值，计算质心（使用该博客文章中提供的逻辑）。那你就有选择了。您可以将计算出的质心保留为“中心点”，也可以在集群中找到离该质心最近的点（正如该博客文章的作者所做的）

与另一位回复者相反，该博客帖子在以下几点上没有错误：

单链接集群非常好，在许多环境中都很有用，包括博客作者正在使用的环境

他的eps对于他的用例来说是合适的，并且是正确的选择，他解释说，这个用例明确地意味着要删除几乎重复的内容

关于集群中心的博客文章没有错——事实上，它明确提到了非凸性，代码从集群返回一个点，而不是集群的中心点本身

博客文章中的代码确实在DBSCAN聚类过程中通过haversine度量使用了大圆距离

---

最重要的是，结果与他们在博客文章中的预期完全一致。

Ouch。k=1的k-均值？从没听说过“平均”功能？！？感谢您的建议-就第4条而言，这是否意味着我将使用great circle预筛选数据集以进行预聚类？有没有一种有效/标准的方法可以做到这一点？DBSCAN可以简单地使用大圆距离，而不需要进行预处理。至少ELKI版本可以做到这一点，我不确定scikit学习版本。如果你想要单链接集群，使用单链接更有效。那是用大锤敲螺母。这是可能的，但不明智。还要注意的是，他已经改变了帖子和代码，并开始解决其中一些问题：