密度聚类（Density peaks Clustering）Python实现

Rodriguez A, Laio A. Clustering by fast search and find of density peaks[J]. Science, 2014, 344(6191): 1492-1496.基于这篇文章实现的最基本的密度聚类的算法，具体请看我博客中的相关文章http://blog.csdn.net/kryolith/article/details/39832573

import numpy as np
import matplotlib.pyplot as plt

from sklearn.datasets import make_blobs


def distanceNorm（NormD_value）:
	# initialization
	

	# Norm for distance
	if Norm == ‘1‘:
		counter = np.absolute（D_value）;
		counter = np.sum（counter）;
	elif Norm == ‘2‘:
		counter = np.power（D_value2）;
		counter = np.sum（counter）;
		counter = np.sqrt（counter）;
	elif Norm == ‘Infinity‘:
		counter = np.absolute（D_value）;
		counter = np.max（counter）;
	else:
		raise Exception（‘We will program this later......‘）;

	return counter;


def chi（x）:
	if x < 0:
		return 1;
	else:
		return 0;


def fit（featureslabelstdistanceMethod = ‘2‘）:
	# initialization
	distance = np.zeros（（len（labels）len（labels）））;
	distance_sort = list（）;
	density = np.zeros（len（labels））;
	distance_higherDensity = np.zeros（len（labels））;


	# compute distance
	for index_i in xrange（len（labels））:
		for index_j in xrange（index_i+1len（labels））:
			D_value = features[index_i] - features[index_j];
			distance[index_iindex_j] = distanceNorm（distanceMethodD_value）;
			distance_sort.append（distance[index_iindex_j]）;
	distance += distance.T;

	# compute optimal cutoff
	distance_sort = np.array（distance_sort）;
	cutoff = int（np.round（distance_sort[len（distance_sort） * t]））;

	# computer density
	for index_i in xrange（len（labels））:
		distance_cutoff_i = distance[index_i] - cutoff;
		for index_j in xrange（1len（labels））:
			density[index_i] += chi（distance_cutoff_i[index_j]）;

	# search for the max density
	Max = np.max（density）;
	MaxIndexList = list（）;
	for index_i in xrange（len（labels））:
		if density[index_i] == Max:
			MaxIndexList.extend（[index_i]）;

	# computer distance_higherDensity
	Min = 0;
	for index_i in xrange（len（labels））:
		if index_i in MaxIndexList:
			distance_higherDensity[index_i] = np.max（distance[index_i]）;
			continue;
		else:
			Min = np.max（distance[index_i]）;
		for index_j in xrange（1len（labels））:
			if density[index_i] < density[index_j] and distance[index_iindex_j] < Min:
				Min = distance[index_iindex_j];
			else:
				continue;
		distance_high