在 DBSCAN 中找到每个集群中出现最多的位置

Question

玩转这个 DBSCAN 示例： http://geoffboeing.com/2014/08/clustering-to-reduce-spatial-data-set-size/

作者对每个集群使用最中心点。但是，我想使用每个集群中出现次数最多的位置的坐标来表示该集群。在我的数据集中，DBSCAN 工作得很好，但我想将这些集群聚集在一起，可能在生成的较小数据集上使用层次聚类。关于如何找到出现次数最多的位置的任何指导都会很棒。欢迎任何其他改进集群的建议！谢谢！

Data == 类似于参考博客中的位置历史记录的数据框

eps_rad = 32 / 6371.0088 #convert to radians
coords = data.as_matrix(columns=['LocLatDegrees', 'LocLongDegrees'])    
db = DBSCAN(eps=eps_rad, min_samples=50, algorithm='ball_tree', metric='haversine').fit(np.radians(coords))
cluster_labels = db.labels_
num_clusters = len(set(cluster_labels))  
n_clusters = len(set(cluster_labels)) - (1 if -1 in cluster_labels else 0)
print('Number of clusters: {:,}'.format(n_clusters))
#remove the noise i.e. cluster label -1
data =data[cluster_labels!=-1]
coords =coords[cluster_labels!=-1]
cluster_labels =cluster_labels[cluster_labels!=-1]
clusters = pd.Series([coords[cluster_labels==n] for n in range(n_clusters)])

Answer 1

那篇博文不是特别好。

通过设置 min_samples=1，他并没有真正使用 DBSCAN（因为这会禁用 密度）。相反，他获得了单链接层次聚类结果（树状图在高度ε处“切割”）。

因为 DBSCAN 允许任意形状的簇，所以中心和最中心点实际上可能是一个不好的选择。而且他的代码在确定中心时假设地球是平的...所以该博客文章的这一部分也不是很合理...

如果你考虑这个image from Wikipedia

那么你可以看到，红色簇的最中心点可能不是一个好的选择。

如果你只是想减少你的数据集大小，我建议你使用非常简单的Leader聚类方法。

J。 A.哈蒂根。聚类算法。约翰威利父子公司，纽约，1975 年

这更接近于减少数据集大小的目标：本质上你定义了一个阈值 d，如果你已经有一个比 d 更近的对象，你就跳过点，否则就保留它。与 DBSCAN 相比，这不会产生类似香蕉的簇。

但如果你打算事后进行层次聚类，那为什么要先使用这个近似值呢？

正如在另一个 stackoverflow 问题中指出的那样，请注意 scipy.cluster.hierarchy.leaders 不是领导算法。有一个名为leaderCluster 的R 包，以及我最近关注的用于集群的ELKI 项目added Leader to Github。由于ELKI版本可以使用索引，我希望它会快很多，但是我没有尝试过（他们的DBSCAN和OPTICS真的很快，所以我通常将ELKI用于大型数据集；我喜欢覆盖树索引，它不需要比距离函数更多的参数，而且效果很好——发现它比 R*-tree 更快、更容易使用；但这些是我个人的偏好——我希望 jupyter 能添加一些 Java 支持）。