DBSCAN для кластеризации данных географического местоположения

вы можете кластеризировать пространственные данные широты и долготы с помощью DBSCAN scikit-learn без предварительного вычисления матрицы расстояний.

db = DBSCAN(eps=2/6371., min_samples=5, algorithm='ball_tree', metric='haversine').fit(np.radians(coordinates))

это происходит из этого урока на кластеризация пространственных данных с помощью scikit-learn DBSCAN. В частности, обратите внимание, что eps значение все еще 2 км, но оно делится на 6371, чтобы преобразовать его в радианы. Кроме того, обратите внимание, что .fit() координаты в радианах единиц для гаверсинус метрики.

Я не знаю, какая реализация haversine вы используете, но похоже, что он возвращает результаты в km so eps должно быть 0,2, не 2 для 200 м.

на min_samples параметр, который зависит от того, что ваш ожидаемый результат. Вот несколько примеров. Мои результаты используют реализацию haversine на основе ответ что дает матрицу расстояний, похожую, но не идентичную вашей.

это с db = DBSCAN(eps=0.2, min_samples=5)

[ 0 -1 -1 -1 1 1 1 -1 -1 1 1 1 2 2 1 1 1 -1 -1 -1 -1 1 -1 -1 -1 -1 -1 1 1 -1 1 1 1 1 1 2 0 -1 1 2 2 0 0 0 -1 -1 -1 1 1 1 -1 -1 1 -1 -1 1]

это создает три кластера, 0, 1 и 2, и многие образцы не попадают в кластер с по крайней мере 5 членами и поэтому не назначаются кластеру (показано как -1).

попытка снова с меньшим min_samples значение:

db = DBSCAN(eps=0.2, min_samples=2)

[ 0 1 1 2 3 3 3 4 4 3 3 3 5 5 3 3 3 2 6 6 7 3 2 2 8 8 8 3 3 6 3 3 3 3 3 5 0 -1 3 5 5 0 0 0 6 -1 -1 3 3 3 7 -1 3 -1 -1 3]

здесь большинство образцов находятся в пределах 200 м от по крайней мере одного другого образца и поэтому попадают в один из восьми кластеров 0 to 7.

редактировать, чтобы добавить

похоже, @ Anony-Mousse прав, хотя я не видел ничего плохого в моих результатах. Для того, чтобы внести свой вклад, вот код, который я использовал для просмотра кластеров:

from math import radians, cos, sin, asin, sqrt

from scipy.spatial.distance import pdist, squareform
from sklearn.cluster import DBSCAN

import matplotlib.pyplot as plt
import pandas as pd


def haversine(lonlat1, lonlat2):
    """
    Calculate the great circle distance between two points 
    on the earth (specified in decimal degrees)
    """
    # convert decimal degrees to radians 
    lat1, lon1 = lonlat1
    lat2, lon2 = lonlat2
    lon1, lat1, lon2, lat2 = map(radians, [lon1, lat1, lon2, lat2])

    # haversine formula 
    dlon = lon2 - lon1 
    dlat = lat2 - lat1 
    a = sin(dlat/2)**2 + cos(lat1) * cos(lat2) * sin(dlon/2)**2
    c = 2 * asin(sqrt(a)) 
    r = 6371 # Radius of earth in kilometers. Use 3956 for miles
    return c * r


X = pd.read_csv('dbscan_test.csv')
distance_matrix = squareform(pdist(X, (lambda u,v: haversine(u,v))))

db = DBSCAN(eps=0.2, min_samples=2, metric='precomputed')  # using "precomputed" as recommended by @Anony-Mousse
y_db = db.fit_predict(distance_matrix)

X['cluster'] = y_db

plt.scatter(X['lat'], X['lng'], c=X['cluster'])
plt.show()