基于python的dbscan算法手动实现

关键参数：

Eps:邻域范围

Minpts:邻域密度

步骤：

1、遍历所有数据点，若已被标记，跳过，否则，则进行邻域查询

2、若该点的邻近点个数>Minpts,说明是核心点，生成新的簇并以此为中心进行扩张查询，否则，则将其标记为噪声点

import numpy as np
from collections import deque

def dbscan(data, Eps, MinPts):
    #获取距离
    def get_dist(data):
        dist_matrix = np.linalg.norm(data[:,np.newaxis] - data, axis=2) #np.newaxis插入新的列，用来存储每个数据点与其它数据点的差值
        return dist_matrix    #axis=2,沿着第三个维度的方向求欧几里得距离,结果的第一维度代表第几个数据点，第二维度代表点与点的间距
    #获取邻域   
    def region_quary(point_idx, dist, Eps):
        neighbours = np.where(dist[point_idx] < Eps)[0] #获取索引
        return neighbours       #np.where返回一个元组，第一个为位置索引，第二个为符合条件的数组值
    
    def expand_cluster(point_idx, neighbours, cluster_id, labels, dist):
        labels[point_idx] = cluster_id
        queue = deque(neighbours)
        
        while queue:     #只要队列不空
            neighbours_idx = queue.popleft() #取出队头
            if labels[neighbours_idx] == -1:  #若该点在核