用于距离聚类的 Python 库

Posted 2023-03-12

【中文标题】用于距离聚类的 Python 库

【英文标题】：Python library for distance clustering

【发布时间】：2012-10-21 06:11:04

【问题描述】：

我正在寻找一个 python 库来将一组坐标组织成簇。我的输入是一个（纬度、经度）坐标列表，我想获得一个根据距离对它们进行分组的集群列表。

我事先不知道我需要获得多少个集群，所以我不能使用 K-Means（比如cluster module）算法（至少不是一个人，也许我有一个算法我可用于根据输入数据获取该数字）。

我也查看了clusterpy，但它似乎对任务来说过于复杂，文档也不是很有指导意义。

【问题讨论】：

也许使用分层集群的集群模块是要走的路。我最初放弃了它，因为我认为我只能使用专有方法，但是对于我拥有的数据集，这可能有点问题。

“我事先不知道我需要获得多少个集群，所以我不能使用 K-Means 之类的东西”您几乎可以肯定使用 k-means，并使用任何计算 k 的许多算法。见en.wikipedia.org/wiki/… 和***.com/questions/1793532/…。

我最终使用了分层算法。由于坐标属于不同社区的地址，并且我想为每个社区获取一个集群，因此算法的合理距离限制足以获得我预期的输出。

【参考方案1】：

您可能想研究DBSCAN (Wikipedia) 和OPTICS (Wikipedia) 等算法。我不知道周围是否有任何好的 Python 实现。我在这里看到的关于 SO for OPTICS 的内容似乎非常不正确和不完整。 DBSCAN 很简单，你可以自己实现。

一些主要好处：

您可以使用大圆距离，它更适合 lat/lng 坐标。由于 180° 的环绕，K-means 会出现问题 - 均值不稳定 您需要设置两个阈值：半径 epsilon（仅适用于 DBSCAN），在上述距离的情况下，其单位为公里，并且大致是最小集群大小。根据您的用例，该参数应该很容易设置。 如果有空间索引，可以将算法加速到O(n log n)。 您不需要集群数量的启发式方法！

【参考方案2】：

我会推荐scikit learn。链接页面对不同的聚类算法进行了很好的讨论。对于地理聚类（正如上面有人已经建议的那样）DBSCAN 效果很好。

【参考方案3】：

几年前我在基因序列上用 Python 做过一模一样的事情，完全可行。

要从初始数据中获得最佳数量的聚类，您需要在遍历它们时使用惩罚器。 Hastie-Tibshirani-Friedman 所著的 Elements of Statistical Learning 一书中有一个很好的部分解释了如何做到这一点：http://www-stat.stanford.edu/~tibs/ElemStatLearn/

这是我从那里学到的，希望对你有帮助！

【参考方案4】：

我有一些朋友使用NetWorkX 解决此类问题。它写得很好，文档也很好。