def run(self):
"""
.. image:: ../fusim16/Cluster/final_presentation/clustertheorie.png
:height: 250px
:width: 400 px
:alt: alternate text
:align: right
Es wird der DBSCAN-Algorithmus ausgefuehrt. Abhaengig von den eingefuegten Parametern wird der Klasse dbscan ein Vektor self.clusterByIndex (mit dem Typ: np.array (:math:`\mathbb{N}^N`)) zugefuegt. Mit :math:`N =` Anzahl der Datenpunkte.
- Dabei stehen Nullen innerhalb des Vektors fuer Punkte die dem Noise zugerechnet werden (siehe Punkt N im Bild).
Weitere Nummern entsprechen dem jeweiligem Cluster, dem der Punkt zugeordnet wurde. Wie Ausserdem durch das Bild veranschaulicht werden soll,gibt es zwei weitere Arten von Objekten.
- Kernobjekte, welche selbst dicht sind.
- Dichte-erreichbare Objekte. Dies sind Objekte, die zwar von einem Kernobjekt des Clusters erreicht werden koennen, selbst aber nicht dicht sind. Anschaulich bilden diese den Rand eines Clusters. Diese koennen auch nicht eindeutig immer den gleichen Clustern zugeordnet werden.
"""
print "start dbscan with episilon = %d and minPts = %d" % (self.eps,
self.minPts)
near = Neighbor(self.D, self.eps)
for i in range(len(self.D)):
if not self.visitedPoints[i]:
self.visitedPoints[i] = True
#select the neighbors by the parameter eps
NeighborIndex = near.nnPca(self.D[i])
#if not enough neigbors are found, the point is "noise", else proceed
if len(NeighborIndex) > (self.minPts):
#create a new cluster and put the point in it
self.clusterCount = self.clusterCount + 1
self.clusterByIndex[i] = self.clusterCount
#now check every neighbor p' of p
NGotBigger = True
while NGotBigger:
NGotBigger = False
for indexOfPoint in NeighborIndex:
if not self.visitedPoints[indexOfPoint]:
self.visitedPoints[indexOfPoint] = True
NeighborPrimeIndex = near.nnPca(
self.D[indexOfPoint])
#if the point is not noise, then merge both neighborhoods
if len(NeighborPrimeIndex) > (self.minPts):
NeighborIndex = NeighborIndex.union(
NeighborPrimeIndex)
NGotBigger = True
#if the point does not already belong to a cluster, put it this one
if self.clusterByIndex[indexOfPoint] == 0:
self.clusterByIndex[
indexOfPoint] = self.clusterCount
def test_neighbor_3d(self):
#create simple data:
a = range(0, 11)
d = []
for i in a:
for j in a:
for k in a:
d.append([i * 1.0, j * 1.0, k * 1.0])
n = Neighbor(np.array(d), 1.01)
neighbors = n.nnPca(np.array([5 * 1.0, 5 * 1.0, 5 * 1.0]))
print "neighbors of [5, 5, 5] with eps = 1.01: " + str(neighbors)
assert len(neighbors) == 7
def test_neighbor_2d(self):
#create simple data:
a = range(0, 11)
d = []
for i in a:
for j in a:
d.append(np.array([i * 1.0, j * 1.01]))
n = Neighbor(np.array(d), 1.01)
neighbors = n.nnPca(np.array([5.0, 5.0]))
print "neighbors of [5, 5] with eps = 1.01: " + str(neighbors)
for n in neighbors:
print d[n]
assert len(neighbors) == 5
