#-*-coding:utf-8-*-
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets

x1,y1=datasets.make_circles(n_samples=5000,factor=.6,noise=0.05)

x2,y2=datasets.make_blobs(n_samples=1000,n_features=2,centers=[[1.2,1.2]],cluster_std=[[.1]],random_state=9)

#x3,y3=datasets.make_moons(n_samples=2000,noise=0.05)
 
#plt.scatter(x3[:,0],x3[:,1],marker='o')
#plt.show()
plt.subplot(3,2,6)#把原始影象放在最後顯示
x=np.concatenate((x1,x2))
plt.scatter(x[:,0],x[:,1],marker='o')

plt.subplot(3,2,1)#第一個是kmeans的結果，K為5
from sklearn.cluster import KMeans
result=KMeans(n_clusters=5,random_state=9).fit_predict(x)
plt.scatter(x[:,0],x[:,1
 
],c=result)
#plt.show()
plt.subplot(3,2,2)
from sklearn.cluster import MiniBatchKMeans#第二個與第一個類似，不同的地方是計算距離使用的樣本是不同類的抽樣資料
result=MiniBatchKMeans(n_clusters=5,random_state=9).fit_predict(x)
plt.scatter(x[:,0],x[:,1],c=result)
#plt.show()
plt.subplot(3,2,3)
from sklearn.cluster import Birch#利用層次方法的平衡迭代和規約
 
result=Birch(n_clusters=5).fit_predict(x)
plt.scatter(x[:,0],x[:,1],c=result)
'''
plt.subplot(3,2,1)
from sklearn.cluster import AffinityPropagation#吸引子傳播，這個計算起來很慢.....
result=AffinityPropagation().fit_predict(x)
plt.scatter(x[:,0],x[:,1],c=result)
plt.show()
'''
plt.subplot(3,2,4)
from sklearn.cluster import DBSCAN#具有噪聲的基於密度的聚類方法，不需要指定聚類類別，但需要指定距離和簇最小樣本
result=DBSCAN(eps=0.1,min_samples=10).fit_predict(x)
plt.scatter(x[:,0],x[:,1],c=result)

plt.subplot(3,2,5)
from sklearn.cluster import SpectralClustering#譜聚類，計算相似度矩陣，相似距離使用rbf距離
result=SpectralClustering(n_clusters=5).fit_predict(x)
plt.scatter(x[:,0],x[:,1],c=result)
plt.show()

可以看出，當聚類數量為3時，比較明顯的地方是dbscan可以聚類出形狀相似的部分，而且其它的方法都需要指定聚類的簇數