生活不易啊，公司考核，初步寫出來了，腦闊疼。。。

思路：

　　設定閾值與半徑；

　　計算點之間的距離(歐式距離實現)；

　　區分核心點、邊界點與離群點；

　　將每個點的領域作為一個類(即將密度可達的點歸為一個簇)；

　　找出每個獨立的領域；

　　對最後的聚類進行標記；

　　可視化。

代碼實現：

　　1、設定eps = 2，MinPts = 3；

　　2、實現點與點歐氏距離的計算

 1 def ecludDist(x,y):
 2     return np.sqrt(sum(np.sqrt(np.array(x) - np.array(y))))
 3 
 4 def euclidean_distance(data):
 
 5     all_points = []
 6     for i in data:
 7         temp = []
 8         for j in data:
 9             temp.append(ecludDist(i,j))
10         all_points.append(temp)
11     return all_points

　　3、點種類的劃分：

 1 def classify(z):   #z為通過歐式距離計算所得的矩陣
 2     pts = []
 3     for row in z:
 4         density = np.sum(z.ix[row] < eps)
 
 5         pts = 0   
 6         if density > MinPts:
 7             pts = 1      #核心點
 8         elif density > 1:
 9             pts = 2　　　　#邊界點
10         else:
11             pts = 0　　　　#離群點
12         pts.append(pts)
13 return pts

　　4、將每個點的領域作為一個類：

 1 def point_type:
 2     cluster = dict()
 
 3     i = 0
 4     for row in z:
 5         cluster[i] = np.where(z.ix[row] < eps)[0]
 6         i = i+1
 7     for i in range(len(cluster)):
 8         for j in range(len(cluster)):
 9             if len(set(cluster[i]) & set(cluster[j])) > 0 and i!=j:
10                 cluster[i] = cluster[i] | cluster[j]
11                 cluster[j] = []

　　5、找出獨立的領域

1 def independent_filed(cluster):
2     j = 0
3     result = dict()
4     for i in range(len(cluster)):
5         if len(cluster[i]) >0:    
6             result[j] = cluster[i]
7             j =j+1
8     return result

　　6、對最後聚類的結果標記

 1 def mark(df):    #傳進來的是轉換後的數據
 2     for i in range(result)：   #result 為一個字典型結構
 3         for j in result[i]:
 4             df.at[j,‘type‘] = i     #新建一列，並給它把i值添加上去
 5 
 6 
 7 plt.scatter(
 8     df[‘one‘],
 9     df[‘two‘],
10     c=df[‘type‘])
11     

最後把這些函數封裝一下就Ok啦

DBSCAN算法實現---Python