DBSCAN聚類分析

模型介紹

Kmeans聚類存在兩個致命缺點，⼀是聚類效果容易受到異常樣本點的影響；⼆是該
算法⽆法准確地將⾮球形樣本進⾏合理的聚類。
基於密度的聚類則可以解決⾮球形簇的問題，“密度”可以理解為樣本點的緊密程度，
如果在指定的半徑領域內，實際樣本量超過給定的最⼩樣本量閾值，則認為是密度⾼的對
象，就可以聚成⼀個簇。

模型步驟步驟

1. 為密度聚類算法設置一個合理的半徑以及領域內包含的最少樣本點。
2. 從數據集中隨機挑選出一個樣本點p，檢驗其在領域內是否包含指定的最少樣本量，如果包含就將其定性為核心對象，並構成一個簇C；否則重新挑選一個樣本點。
3. 對於核心對象p所覆蓋的其他樣本點q，如果點q對應的領域內仍然包含最少樣本量，就將其覆蓋的樣本點統統歸於簇C。
4. 重復步驟3，將最大的密度相連所包含的樣本點聚為一類，形成一個大簇。
5. 完成步驟4后，重新回到步驟2，並重復步驟3和4，直到沒有新的樣本點可以生成新簇時算法結束。

函數介紹

cluster.DBSCAN(eps=0.5, min_samples=5, metric=‘euclidean’, p=None)

eps：⽤於設置密度聚類中的e領域，即半徑，默認為0.5
min_samples：⽤於設置e領域內最少的樣本量，默認為5
metric：⽤於指定計算點之間距離的⽅法，默認為歐⽒距離
p：當參數metric為閔可夫斯基（'minkowski'）距離時，p=1，表示計算點之間的曼哈頓距離；p=2，
表示計算點之間的歐⽒距離；該參數的默認值為2

代碼演示

# 導入第三方模塊
import pandas as pd
import numpy as np
from sklearn.datasets.samples_generator import make_blobs
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn import cluster


# 球形數據Kmeans與DBSCAN對比
# 模擬數據集
X,y = make_blobs(n_samples = 2000, centers = [[-1,-2],[1,3]], cluster_std = [0.5,0.5], random_state = 1234)
# 將模擬得到的數組轉換為數據框，用於繪圖
plot_data = pd.DataFrame(np.column_stack((X,y)), columns = ['x1','x2','y'])
# 設置繪圖風格
plt.style.use('ggplot')
# 繪制散點圖（用不同的形狀代表不同的簇）
sns.lmplot('x1', 'x2', data = plot_data, hue = 'y',markers = ['^','o'],
           fit_reg = False, legend = False)
# 顯示圖形
plt.show()

# 導入第三方模塊
from sklearn import cluster
# 構建Kmeans聚類和密度聚類
kmeans = cluster.KMeans(n_clusters=2, random_state=1234)
kmeans.fit(X)
dbscan = cluster.DBSCAN(eps = 0.5, min_samples = 10)
dbscan.fit(X)
# 將Kmeans聚類和密度聚類的簇標簽添加到數據框中
plot_data['kmeans_label'] = kmeans.labels_
plot_data['dbscan_label'] = dbscan.labels_

# 繪制聚類效果圖
# 設置大圖框的長和高
plt.figure(figsize = (12,6))
# 設置第一個子圖的布局
ax1 = plt.subplot2grid(shape = (1,2), loc = (0,0))
# 繪制散點圖
ax1.scatter(plot_data.x1, plot_data.x2, c = plot_data.kmeans_label)
# 設置第二個子圖的布局
ax2 = plt.subplot2grid(shape = (1,2), loc = (0,1))
# 繪制散點圖(為了使Kmeans聚類和密度聚類的效果圖顏色一致，通過序列的map“方法”對顏色作重映射)
ax2.scatter(plot_data.x1, plot_data.x2, c=plot_data.dbscan_label.map({-1:1,0:2,1:0}))
# 顯示圖形
plt.show()



# 非球形數據Kmeans與DBSCAN對比
# 導入第三方模塊
from sklearn.datasets.samples_generator import make_moons
# 構造非球形樣本點
X1,y1 = make_moons(n_samples=2000, noise = 0.05, random_state = 1234)
# 構造球形樣本點
X2,y2 = make_blobs(n_samples=1000, centers = [[3,3]], cluster_std = 0.5, random_state = 1234)
# 將y2的值替換為2(為了避免與y1的值沖突，因為原始y1和y2中都有0這個值)
y2 = np.where(y2 == 0,2,0)
# 將模擬得到的數組轉換為數據框，用於繪圖
plot_data = pd.DataFrame(np.row_stack([np.column_stack((X1,y1)),np.column_stack((X2,y2))]), columns = ['x1','x2','y'])

# 繪制散點圖（用不同的形狀代表不同的簇）
sns.lmplot('x1', 'x2', data = plot_data, hue = 'y',markers = ['^','o','>'],
           fit_reg = False, legend = False)
# 顯示圖形
plt.show()

# 構建Kmeans聚類和密度聚類
kmeans = cluster.KMeans(n_clusters=3, random_state=1234)
kmeans.fit(plot_data[['x1','x2']])
dbscan = cluster.DBSCAN(eps = 0.3, min_samples = 5)
dbscan.fit(plot_data[['x1','x2']])
# 將Kmeans聚類和密度聚類的簇標簽添加到數據框中
plot_data['kmeans_label'] = kmeans.labels_
plot_data['dbscan_label'] = dbscan.labels_

# 繪制聚類效果圖
# 設置大圖框的長和高
plt.figure(figsize = (12,6))
# 設置第一個子圖的布局
ax1 = plt.subplot2grid(shape = (1,2), loc = (0,0))
# 繪制散點圖
ax1.scatter(plot_data.x1, plot_data.x2, c = plot_data.kmeans_label)
# 設置第二個子圖的布局
ax2 = plt.subplot2grid(shape = (1,2), loc = (0,1))
# 繪制散點圖(為了使Kmeans聚類和密度聚類的效果圖顏色一致，通過序列的map“方法”對顏色作重映射)
ax2.scatter(plot_data.x1, plot_data.x2, c=plot_data.dbscan_label.map({-1:1,0:0,1:3,2:2}))
# 顯示圖形
plt.show()



# 出生率與死亡率案例
# DBSCAN模型
# 讀取外部數據
Province = pd.read_excel(r'Province.xlsx')
Province.head()
# 繪制出生率與死亡率散點圖
plt.scatter(Province.Birth_Rate, Province.Death_Rate, c = 'steelblue')
# 添加軸標簽
plt.xlabel('Birth_Rate')
plt.ylabel('Death_Rate')
# 顯示圖形
plt.show()

# 讀入第三方包
from sklearn import preprocessing
# 選取建模的變量
predictors = ['Birth_Rate','Death_Rate']
# 變量的標准化處理
X = preprocessing.scale(Province[predictors])
X = pd.DataFrame(X)

# 構建空列表，用於保存不同參數組合下的結果
res = []
# 迭代不同的eps值
for eps in np.arange(0.001,1,0.05):
    # 迭代不同的min_samples值
    for min_samples in range(2,10):
        dbscan = cluster.DBSCAN(eps = eps, min_samples = min_samples)
        # 模型擬合
        dbscan.fit(X)
        # 統計各參數組合下的聚類個數（-1表示異常點）
        n_clusters = len([i for i in set(dbscan.labels_) if i != -1])
        # 異常點的個數
        outliners = np.sum(np.where(dbscan.labels_ == -1, 1,0))
        # 統計每個簇的樣本個數
        stats = str(pd.Series([i for i in dbscan.labels_ if i != -1]).value_counts().values)
        res.append({'eps':eps,'min_samples':min_samples,'n_clusters':n_clusters,'outliners':outliners,'stats':stats})
# 將迭代后的結果存儲到數據框中        
df = pd.DataFrame(res)
df
# 根據條件篩選合理的參數組合
df.loc[df.n_clusters == 3, :]

# 中文亂碼和坐標軸負號的處理
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False

# 利用上述的參數組合值，重建密度聚類算法
dbscan = cluster.DBSCAN(eps = 0.801, min_samples = 3)
# 模型擬合
dbscan.fit(X)
Province['dbscan_label'] = dbscan.labels_
# 繪制聚類聚類的效果散點圖
sns.lmplot(x = 'Birth_Rate', y = 'Death_Rate', hue = 'dbscan_label', data = Province,
           markers = ['*','d','^','o'], fit_reg = False, legend = False)
# 添加省份標簽
for x,y,text in zip(Province.Birth_Rate,Province.Death_Rate, Province.Province):
    plt.text(x+0.1,y-0.1,text, size = 8)
# 添加參考線
plt.hlines(y = 5.8, xmin = Province.Birth_Rate.min(), xmax = Province.Birth_Rate.max(), 
           linestyles = '--', colors = 'red')
plt.vlines(x = 10, ymin = Province.Death_Rate.min(), ymax = Province.Death_Rate.max(), 
           linestyles = '--', colors = 'red')
# 添加軸標簽
plt.xlabel('Birth_Rate')
plt.ylabel('Death_Rate')
# 顯示圖形
plt.show()


# Kmeans模型
# 導入第三方模塊
from sklearn import metrics
# 構造自定義函數，用於繪制不同k值和對應輪廓系數的折線圖
def k_silhouette(X, clusters):
    K = range(2,clusters+1)
    # 構建空列表，用於存儲個中簇數下的輪廓系數
    S = []
    for k in K:
        kmeans = cluster.KMeans(n_clusters=k)
        kmeans.fit(X)
        labels = kmeans.labels_
        # 調用字模塊metrics中的silhouette_score函數，計算輪廓系數
        S.append(metrics.silhouette_score(X, labels, metric='euclidean'))

    # 中文和負號的正常顯示
    plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
    plt.rcParams['axes.unicode_minus'] = False
    # 設置繪圖風格
    plt.style.use('ggplot')    
    # 繪制K的個數與輪廓系數的關系
    plt.plot(K, S, 'b*-')
    plt.xlabel('簇的個數')
    plt.ylabel('輪廓系數')
    # 顯示圖形
    plt.show()
    
# 聚類個數的探索
k_silhouette(X, clusters = 10)

# 利用Kmeans聚類
kmeans = cluster.KMeans(n_clusters = 3)
# 模型擬合
kmeans.fit(X)
Province['kmeans_label'] = kmeans.labels_
# 繪制Kmeans聚類的效果散點圖
sns.lmplot(x = 'Birth_Rate', y = 'Death_Rate', hue = 'kmeans_label', data = Province,
           markers = ['d','^','o'], fit_reg = False, legend = False)
# 添加軸標簽
plt.xlabel('Birth_Rate')
plt.ylabel('Death_Rate')
plt.show()