使用DBSCAN找到最密集的聚类？
我一直在看Geoff Boeing写的关于DBSCAN的精彩博客文章。我最感兴趣的页面是 -
http://geoffboeing.com/2014/08/clustering-to-reduce-spatial-data-set-size/
我该如何修改这个方法，以便找到最大的聚类中心（也就是周围有最多经纬度点的那个中心）？每个聚类的中心点有没有一个密度评分呢？
核心的dbscan -
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)
相关文章：
- 暂无相关问题
3 个回答
我也在做一个类似的项目，并且也在参考他的博客文章。关于如何找到最大聚类的中心点的逻辑是这样的：先把聚类按大小排序，选出最大的那个，然后计算它的中心点（可以用那篇博客里提供的方法）。接下来你有两个选择。你可以把这个计算出来的中心点当作“中心点”，或者你可以找出聚类中离这个中心点最近的那个点（就像那篇博客的作者所做的）。
与其他回答者不同的是，那篇博客在很多方面并没有错误：
- 单链接聚类在很多情况下是完全可以用的，包括博客作者所用的场景。
- 他的eps值是合适的，并且是根据他的使用情况精心选择的，他明确说明这是为了去除近似重复的数据。
- 关于聚类中心，那篇博客并没有错误，实际上它明确提到了非凸性，并且代码返回的是聚类中的一个点，而不是聚类的中心点。
- 博客中的代码在进行DBSCAN聚类时确实使用了通过哈弗辛公式计算的大圆距离。
最重要的是，结果正如博客中所描述的那样，完全符合预期。
如果你想把最大的聚类表示为一个“中心”点（比如说，降维处理），我会这样做：
首先，找出分类点最多的那个聚类：
# 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];
然后，你可以计算每一列的平均值。
max_cluster_array = max_cluster[['x','y']].as_matrix()
print max_cluster_array.mean(axis=0) # what you are looking for
如果你想更准确地估计一个“中心”点，你也可以看看多变量核密度估计的相关函数。
很遗憾，那篇博客文章在几个关键点上是错误的。
绝对不要把DBSCAN的参数
min_samples=1。这实际上是单链接聚类。如果你想要单链接聚类，就直接用单链接聚类，而不是DBSCAN。在这里，Leader聚类也是一个不错的选择。选择
eps时要谨慎。在他的例子中，他选择的eps值太小，导致大部分（近似）重复的数据被去掉了……DBSCAN聚类没有一个有意义的中心。因为它们可能是非凸的。特别是，中心需要考虑哈弗辛距离，但他没有做到。最初的版本使用了平均值，而新版本使用的是离平均值最近的点（但这可能仍然有偏差，因为平均值没有考虑地球的形状）。
在进行聚类时，你应该使用大圆距离来计算经纬度，而不仅仅是在之后使用。（现在博客中已经修正了这个问题）。
上面提到的第3点也回答了你的问题：DBSCAN聚类可能没有一个有意义的中心。这个中心可能在聚类之外。
自从原始帖子发布以来，一些内容（特别是第4点）已经得到了改进。现在DBSCAN实际上使用了哈弗辛距离和球树索引。