作为无监督方法的新手，我需要一些半简单的代码来作为案例研究，帮助我正确地处理数据。我目前处理的数据只有大约300个观察值，但我希望学习如何将聚类应用于行为相似的非常大的数据集。

我有一组包含两个特征的数据，我希望使用欧几里得距离运行DBSCAN或类似的方法（如果这是正确的聚类方法的话）。

例如，数据看起来像这样：

通过观察我可以看出，这种聚类方式可能不是最佳方法，因为数据分布看起来不规则。

对于类似这样的分布，尤其是当数据集非常大（数十万个观察值）时，我应该使用什么方法开始理解这些分布？

回答：

对于大多数机器学习任务，scikit-learn 是你的好帮手。对于DBSCAN，scikit-learn 提供了 sklearn.cluster.DBSCAN。根据scikit-learn 的文档：

>>> from sklearn.cluster import DBSCAN>>> import numpy as np>>> X = np.array([[1, 2], [2, 2], [2, 3],...               [8, 7], [8, 8], [25, 80]])>>> clustering = DBSCAN(eps=3, min_samples=2).fit(X)>>> clustering.labels_array([ 0,  0,  0,  1,  1, -1])>>> clustering DBSCAN(algorithm='auto', eps=3, leaf_size=30, metric='euclidean',    metric_params=None, min_samples=2, n_jobs=None, p=None)

通过scikit-learn，你还可以使用其他聚类算法。你可以在这里查看所有这些算法 here。