如何在限制点之间的最大距离和每个集群的最大点数的情况下对 lat/lng 数据进行聚类

Posted 2023-03-12

【中文标题】如何在限制点之间的最大距离和每个集群的最大点数的情况下对 lat/lng 数据进行聚类

【英文标题】：How to cluster lat/lng data with restrictions on max distance between points and max number of points per cluster

【发布时间】：2020-03-22 06:37:00

【问题描述】：

我有一组分布在整个城市（大约 1000 个）的纬度/经度坐标。我想按照一些严格的规则用这些数据创建集群：

任何集群中的数据点不得超过 X 个（可能有 8 个，但这可能会改变） 任何集群都不能包含两个数据点，它们之间的距离超过 Xkm（可能是 1km，但这也可以改变） 可以有一个单点的集群 无需创建特定数量的集群

我已经尝试使用来自 sklearn 的 AgglomerativeClustering 执行此操作，使用以下代码：

from sklearn.cluster import AgglomerativeClustering

cluster = AgglomerativeClustering(n_clusters=None, affinity='euclidean', linkage='complete', distance_threshold=0.01)
cluster.fit_predict(arr)

这里的问题是我没有满足上面的第 1,2 或 3 项，只有第 4 项。

我想要一个聚类算法，我可以在其中设置这些参数并让它运行最有效的聚类（即：尊重所有项目 1、2、3 和 4 的最少聚类数） .

有什么方法可以使用 sklearn 或任何其他导入的聚类算法来完成，还是必须手动构建？

谢谢！

【参考方案1】：

自己写。

一种简单的方法是使用凝聚聚类（真正的聚类，例如，来自 scipy；sklearn 版本太有限）来获取 完整的合并历史以实现完整的链接时间>。如果满足您的两个要求，则开始自下而上处理合并：链接是最大距离，如果集群变得太大，则停止合并。

但请注意，结果会非常不平衡。我的猜测是，您希望尽可能少的集群以最大半径和占用率覆盖您的数据。那么你的问题可能更接近于set cover。在此类问题上找到最佳结果通常是 NP 困难的，因此您必须接受使用近似值。我会采用贪婪策略，然后通过本地搜索进行迭代细化。