一、算法原理
DBSCAN（Density-BasedSpatialClusteringofApplicationswithNoise）是一种基于密度的聚类算法，其核心思想是通过发现数据中的高密度区域来识别簇，并将低密度区域的数据点标记为噪声。
1、核心概率
核心点（CorePoint）：
在半径为ε\varepsilonε的邻域内，若包含至少MinPts个数据点（包括自身），则该点为核心点。
ε\varepsilonε为邻域半径。
MinPts为最小样本数，为超参数。
边界点（BorderPoint）：
在半径ε−\varepsilon-ε−的邻域内，点的数量少于
MinPts，但位于某个核心点的邻域内。
噪声点（NoisePoint）：
既不是核心点，也不是边界点的点（即低密度区域的孤立点）。
密度直达（DirectlyDensity-Reachable）：
若点p在点q的ε−\varepsilon-ε−邻域内，且q是核心点，则称p从q密度直达。
密度相连（Density-Connected）：
若存在点o，使得p和q均从o密度可达，则称p和q密度相连。
2、算法步骤
（1）初始化
输入参数：ε\varepsilonε、MinPts（最小邻域点数）。
标记所有点为未访问（Unvisited）。
（2）遍历数据点：
随机选择一个未访问的点p。计算p的ε−\varepsilon-ε−邻域内的点数：若点数≥MinPts，则p是核心点，开始扩展（步骤3）。否则，标记p为噪声点（后续可能被重新分类为边界点）。
（3）扩展簇：
创建一个新簇，将p加入簇。遍历p的ε−\varepsilon-ε−邻域内的所有点q：若q未被访问：标记q为已访问。若q是核心点（其邻域点数≥MinPts），递归扩展q的邻域。若q不是核心点但位于某个核心点的邻域内，则q是边界点，将其加入当前簇。
（4）终止条件：
当前簇无法继续扩展时，选择下一个未访问的点重复步骤2-3，直到所有点被访问。
3、关键特性
抗噪声能力： 噪声点会被明确标记，不参与任何簇的形成。
形状适应性： 能发现任意形状的簇（如环形、非凸形），而无需预先指定簇的数量（如K-Means）。
参数敏感性： ε\varepsilonε过大：可能将不同簇合并；过小：可能将同一簇拆分。MinPts通常根据数据维度选择（如二维数据中 MinPts≥4）。
时间复杂度：最坏情况下为 O(n2n^2n2)（需计算所有点对的距离）。使用空间索引（如KD树）可优化至 O(nlognnlognnlogn)。
4、应用场景
地理空间数据聚类（如发现城市中的热点区域）。
异常检测（识别噪声点）。
图像分割（基于像素密度）。
二、参考代码
python
from sklearn.neighbors import NearestNeighbors
from collections import deque
import numpy as np
from sklearn.datasets import make_moons, make_blobs,make_circles
import matplotlib.pyplot as plt
class DBSCAN:
def __init__(self, eps=0.5, min_samples=5):
"""
初始化DBSCAN参数
参数:
eps: 邻域半径
min_samples: 核心点所需的最小邻域样本数
"""
self.eps = eps
self.min_samples = min_samples
self.labels_ = None
def fit(self, X):
"""
对数据进行DBSCAN聚类
参数:
X: 输入数据 (n_samples, n_features)
"""
n_samples = X.shape[0]
self.labels_ = np.full(n_samples, -1, dtype=int) # -1表示噪声点
cluster_id = 0
# 计算每个点的邻域
neighbors_model = NearestNeighbors(radius=self.eps)
neighbors_model.fit(X)
neighborhoods = neighbors_model.radius_neighbors(X, return_distance=False)
# 标记已访问的点
visited = np.zeros(n_samples, dtype=bool)
for i in range(n_samples):
if not visited[i]:
visited[i] = True
neighbors = neighborhoods[i]
if len(neighbors) >= self.min_samples:
# 发现新簇
self._expand_cluster(X, neighborhoods, visited, i, neighbors, cluster_id)
cluster_id += 1
else:
# 标记为噪声点（可能在后续扩展中被重新分配）
self.labels_[i] = -1
return self
def _expand_cluster(self, X, neighborhoods, visited, index, neighbors, cluster_id):
"""
扩展簇，将密度可达的点加入当前簇
"""
queue = deque([index])
self.labels_[index] = cluster_id
while queue:
current = queue.popleft()
# 获取当前点的邻域
current_neighbors = neighborhoods[current]
if len(current_neighbors) >= self.min_samples:
for neighbor in current_neighbors:
if not visited[neighbor]:
visited[neighbor] = True
if self.labels_[neighbor] == -1:
# 之前标记为噪声的点现在属于这个簇
self.labels_[neighbor] = cluster_id
elif self.labels_[neighbor] < 0:
# 未分类的点，加入队列
self.labels_[neighbor] = cluster_id
queue.append(neighbor)
def generate_data(self,dataset_type='moons', n_samples=300, noise=0.05, random_state=42):
"""
生成不同类型的测试数据集
参数:
dataset_type: 数据集类型 ('moons', 'blobs', 'circles')
n_samples: 样本数量
noise: 噪声水平
random_state: 随机种子
返回:
X: 特征数据 (n_samples, 2)
y: 真实标签 (用于参考)
"""
if dataset_type == 'moons':
X, y = make_moons(n_samples=n_samples, noise=noise, random_state=random_state)
elif dataset_type == 'blobs':
X, y = make_blobs(n_samples=n_samples, centers=3,
cluster_std=[0.8, 0.5, 0.3],
random_state=random_state)
elif dataset_type == 'circles':
X, y = make_circles(n_samples=n_samples, factor=0.5,
noise=noise, random_state=random_state)
else:
raise ValueError("Error database type:choose 'moons', 'blobs' 或 'circles'")
return X, y
def plot_clusters(self,X, labels, title="DBSCAN clustering result", centers=None):
"""
可视化聚类结果
参数:
X: 输入数据
labels: 聚类标签
title: 图表标题
centers: 簇中心（可选）
"""
plt.figure(figsize=(10, 6))
# 获取唯一标签（排除噪声点-1）
unique_labels = set(labels)
colors = [plt.cm.Spectral(each) for each in np.linspace(0, 1, len(unique_labels))]
# 绘制每个簇
for k, col in zip(unique_labels, colors):
if k == -1:
# 噪声点显示为黑色
col = [0, 0, 0, 1]
class_member_mask = (labels == k)
xy = X[class_member_mask]
plt.scatter(xy[:, 0], xy[:, 1], c=[col], s=16,
edgecolor='k', marker='o', label=f'clustering {k}' if k != -1 else 'noise')
# 如果有中心点，绘制它们
if centers is not None:
plt.scatter(centers[:, 0], centers[:, 1], c='red', s=100,
alpha=0.8, marker='X', label='center')
plt.title(title)
plt.xlabel('f 1')
plt.ylabel('f 2')
plt.legend()
plt.grid(True)
plt.show()三、实验结果
1、实验参数
生成数据：n_samples=500, noise=0.08
模型参数：eps=0.2, min_samples=5
2、实验结果
自设计模型
标准模型：skDBSCAN(eps=0.2, min_samples=5)
由此可以看出，自设计模型和标准模型存在一定的差距。
3、模型改进
将扩展簇函数修改为，并去除调用时的多余参数。
python
def _expand_cluster(self, neighborhoods, visited, index, cluster_id):
"""
优化后的扩展簇实现
"""
queue = deque([index])
visited[index] = True
self.labels_[index] = cluster_id
while queue:
current = queue.popleft()
for neighbor in neighborhoods[current]:
if not visited[neighbor]:
visited[neighbor] = True
# 如果是核心点，加入队列继续扩展
if len(neighborhoods[neighbor]) >= self.min_samples:
queue.append(neighbor)
# 无论是否核心点，均加入当前簇（覆盖噪声和未访问点）
self.labels_[neighbor] = cluster_id原本的扩展簇函数并没有涉及簇合并，所以结果簇有很多。修改后，
生成数据：n_samples=500, noise=0.08
模型参数：eps=0.2, min_samples=5
模型结果：
由此可见，自设计模型在聚类上和标准模型在"moons"类型的数据集上的聚类效果无明显差别，能正确地用来了解算法原理。