用python聚类500000个地理空间点

Question

我目前面临的问题是如何在python中集群大约500000个经纬度对。到目前为止，我已经尝试用numpy（传递到scikit learn DBSCAN）计算一个距离矩阵，但是输入这么大，它很快就会抛出一个内存错误。

这些点存储在包含纬度、经度和该点的数据值的元组中。

简而言之，在python中，在空间上集群大量经纬度对的最有效方法是什么？对于这个应用程序，我愿意以速度的名义牺牲一些准确性。

编辑： 算法要查找的簇数提前未知。

Answer 1

scikit learn中旧版本的DBSCAN将计算一个完整的距离矩阵。

不幸的是，计算距离矩阵需要O(n^2)内存，这可能是内存不足的地方。

较新版本（您使用哪个版本？）of scikit learn应该能够在没有距离矩阵的情况下工作；至少在使用索引时是这样。对于500.000个对象，您需要使用索引加速，因为这会将运行时从O(n^2)减少到O(n log n)。

我不知道scikit learn在其索引中对大地距离的支持程度。ELKI是我所知道的唯一一个可以使用R*-tree索引来加速大地测量距离的工具；这使得执行此任务非常快（特别是在批量加载索引时）。你应该试一试。

看看Scikit learn indexing documentation，然后尝试设置algorithm='ball_tree'。

Answer 2

我没有你的数据，所以我只是把500个随机数分成三列。

import numpy as np
import matplotlib.pyplot as plt
from scipy.cluster.vq import kmeans2, whiten

arr = np.random.randn(500000*3).reshape((500000, 3))
x, y = kmeans2(whiten(arr), 7, iter = 20)  #<--- I randomly picked 7 clusters
plt.scatter(arr[:,0], arr[:,1], c=y, alpha=0.33333);

out[1]:

我给它计时，运行Kmeans2用了1.96秒，所以我认为这与数据的大小无关。将数据放入500000x 3 numpy数组并尝试kmeans2。