核心點：在半徑eps內含有超過minpts個數的點。
邊界點：在半徑eps內含有小於minpts個數的點，但落在核心點的領域。
噪音點：不是以上兩種點的點。
每個點都要判斷一遍，標記為核心點，邊界點和噪音點，噪音點要刪除。
eps:半徑
min_sample:簇的樣本數
metric:計算方式
import numpy as np
import sklearn.cluster as skc
import matplotlib.pyplot as plt
from sklearn import metrics
mac2id=dict()
onlinetimes=
fr=open('testdata.txt',encoding='utf-8').readlines()#encoding='utf-8'？什麼意思？？？？
for line in fr:
mac = line.split(',')[2]#提取使用者mac位址，作為每個使用者的標識。
onlinetime = int(line.split(',')[6])#提取使用者上網時間並轉化為整形
starttime = int(line.split(',')[4].split(' ')[1].split(':')[0])#,2014-07-20 23:10:16這是分割物件，分割的時候以，為標識
# 切割下有逗號行的第四個元素。然後在第四個元素裡面以空格為標識切割下有空格行的第1個元素，在第乙個元素中以：為標識進行切割，切割下
#得到的各元素的第0個元素，即23，最後都轉化為int型別
#字典用來存貯使用者的位址和位置方便陣列內相應位置的元組更新，當使用者位址重複時，字典不做改變，改變的是陣列中的元組。這樣操作最後得到的
#結果就是使用者上網最後的時間和最新的累計上網時長。
if mac not in mac2id:#如果使用者mac位址不在mac2id字典中
mac2id[mac] = len(onlinetimes)#新增新的使用者位址和位址位置。
else:
onlinetimes[mac2id[mac]] = [(starttime, onlinetime)]#陣列字典長度都不變，更新重複位址中的上網時間和時長。
real_x = np.array(onlinetimes).reshape((-1, 2))#把元組變化為陣列，並且將陣列塑造成不知道幾行但一定是兩列的矩陣
x = real_x[:, 0:1]#0維上面（矩陣縱向）的數字不管（都要），但1維上面只要第0:1個元素（第乙個元素取不到）。如果不指定區間地取值，比如[:,1]
#這樣切片，得到的新矩陣就不能保留原來矩陣的風格。得到了一維陣列。
db = skc.dbscan(eps=0.01, min_samples=20).fit(x)#使用上網開始時間資料計算得到資料相應標籤（可以理解為資料的分身，有兩個屬性，一是
#資料本身的值，二是該資料的簇值。 ）
labels = db.labels_#提取標籤的簇值屬性（標籤屬性）
print('labels:')
print(labels)#列印標籤
raito = len(labels[labels[:] == -1]) / len(labels)#遍歷標籤中所有等於-1的元素並計算元素佔整體元素的百分比。這裡只能操作縱向元素。
#縱向運用降維的話，就變成橫向。
print('noise raito:', format(raito, '.2%'))
n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)#set()去除labels中重複的元素，然後計算長度即代表所分成的簇，
# 如果有噪音點則去除含有噪音點的簇，因此結果計算出來就是不含噪音點的簇的數目。
print('estimated number of clusters: %d' % n_clusters_)
print("silhouette coefficient: %0.3f" % metrics.silhouette_score(x, labels))#評價聚類效果
for i in range(n_clusters_):
print('cluster ', i, ':')
print(list(x[labels == i].flatten()))#把labels中等於各自簇的元素用列表表示出來，並且降成一維陣列。
plt.hist(x, 24)
plt.show()
聚類演算法 DBSCAN
dbscan 是一種簡單的，基於密度的聚類演算法。本次實現中，dbscan 使用了基於中心的方法。在基於中心的方法中，每個資料點的密度通過對以該點為中心以邊長為 2 eps 的網格 鄰域 內的其他資料點的個數來度量。根據資料點的密度分為三類點 1 核心點 該點在鄰域內的密度超過給定的閥值 minps...
DBSCAN聚類演算法
基於密度定義，我們將點分為 dbscan演算法的本質就是隨大流，邊界點緊緊圍繞著核心點，他們抱團，不帶噪點玩兒 小團體多了，聯絡比較密切的小團體之間聚成了同個類 比較偏遠的小團體想要加入這個圈子，進不去，就單幹，我們自己玩自己的，聚成了另外的乙個類 一開始就被孤立的噪點吧，自然有自己的傲骨，接著孤芳...
DBSCAN 聚類演算法
dbscan演算法是一種基於密度聚類的演算法。核心概念 核心點 若某個點的密度達到演算法設定的閾值 即 r 鄰域內點的數量不小於 minpts 則其為核心點。直接密度可達 若某點p在點q的 r 鄰域內，且q是核心點，則稱p從q出發直接密度可達。密度可達 若有乙個點的序列q0 q1 qk，對任意qi從...