使用KMeans算法和Python對地理位置坐標（緯度，長對）進行聚類

Question

使用以下代碼聚類地理位置坐標會產生3個聚類：

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

    coordinates= np.array([
               [lat, long],
               [lat, long],
                ...
               [lat, long]
               ])
    x, y = kmeans2(whiten(coordinates), 3, iter = 20)  
    plt.scatter(coordinates[:,0], coordinates[:,1], c=y);
    plt.show()

使用Kmeans進行位置聚類是否正確，因為它使用歐幾里德距離而非使用Haversine公式作為距離函數？

Answer 1

由於您的意思，k-means不是用於空間聚類的好算法。 相反，你可以使用scikit-learn的DBSCAN和hasrsine metric and ball-tree算法來完成這個聚類工作。

本教程演示了使用DBSCAN / hasrsine對緯度 - 經度空間數據進行聚類 ，並避免了所有這些歐幾里德距離問題：

df = pd.read_csv('gps.csv')
coords = df.as_matrix(columns=['lat', 'lon'])
db = DBSCAN(eps=eps, min_samples=ms, algorithm='ball_tree', metric='haversine').fit(np.radians(coords))

請注意，這特別使用了scikit-learn v0.15，因為一些早期/后期版本似乎需要計算全距離矩陣。 另請注意，eps值以弧度表示，而.fit（）以半徑為單位獲取半正弦度量的坐標。

Answer 2

這在很大程度上取決於您的應用

• 在赤道附近，結果應該相當准確。 接近其中一個極點，結果根本沒用。
• 然而，它可以作為預處理步驟或具有低精度要求的應用，例如小的，非重疊的和非常不同的簇。

如果你真的需要Haversine公式，你可能想看看這個討論。 正如Anony-Mousse所說：

請注意，Haversine距離不適用於k均值或平均連鎖聚類，除非您找到一種計算平均值的智能方法，以最小化方差。 如果您具有緯度 - 經度坐標的-180 / + 180環繞，則不要使用算術平均值。