27.02 Кластеры с аномалиями

Для начала визуально оценим данные в условии кластеры. Для этого откроем предложенные файлы в , перейдем в раздел «Вставка Диаграммы Точечная».

Диаграмма для файла А имеет вид:

Для решения задачи будем использовать метод dbscan. Определим границы для поиска стартовых точек в программе, так как нам необходимо найти лишь одну точку, которая принадлежит каждому кластеру, то границы обозначим примерные, но такие что анамалии в них не попадают. Для первого кластера: . Для второго кластера: . Для третьего кластера: .

Код программы для файла А:

from math import *
f = open(’4_A.txt’)
s = f.readline() # Считываем первую строку файла с названиями столбцов
# сохраняем массив данных
st = [list(map(float, i.replace(’,’, ’.’).split())) for i in f]

# подбираем по 1 звезде для каждого кластера меняя параметры
# for i in range(len(st)):
#     if -6 < st[i][0] < -2 and -5 < st[i][1] < 0:
#         print(i)
#         break

a = [[[st[23][0], st[23][1]]], [[st[4][0], st[4][1]]], [[st[6][0], st[6][1]]]]

st.pop(23), st.pop(4), st.pop(6)

# разделяем звезды на кластеры методом dbscan
for k in range(3):
    for j in a[k]:
        for i in range(len(st)):
            if st[i] != ’*’:
                p = [st[i][0], st[i][1]]
                if dist(p, j) < 0.5:
                    a[k].append(p)
                    st[i] = ’*’

sum_x = sum_y = 0  # Переменные для суммы абсцисс и ординат периферий
for i in a:
    tx = ty = 0  # Координаты текущей периферии кластера
    mn = 100000050000  # Минимальное расстояние
    for j in i:
        x1, y1 = j
        sm = 0  # Суммарное расстояние
        for k in i:
            x2, y2 = k
            sm += ((x2-x1)**2 + (y2-y1)**2)**0.5
        if sm < mn:
            mn = sm
            tx, ty = x1, y1
    sum_x += tx
    sum_y += ty
print(int(abs(sum_x / 3) * 1000))
                                                                                                  
                                                                                                  
print(int(abs(sum_y / 3) * 1000))

Диаграмма для файла Б имеет вид:

Для решения задачи будем использовать метод dbscan. Определим границы для поиска стартовых точек в программе, так как нам необходимо найти лишь одну точку, которая принадлежит каждому кластеру, то границы обозначим примерные, но такие что анамалии в них не попадают. Для первого кластера: . Для второго кластера: . Для третьего кластера: . Для четвертого кластера: . Для пятого кластера: .

Код программы для файла Б:

from math import *
f = open(’4_B.txt’)
s = f.readline() # Считываем первую строку файла с названиями столбцов
# сохраняем массив данных
st = [list(map(float, i.replace(’,’, ’.’).split())) for i in f]

# подбираем по 1 звезде для каждого кластера меняя параметры
# for i in range(len(st)):
#     if 6 < st[i][0] < 10 and 5 < st[i][1] < 7:
#         print(i)
#         break

a = [[[st[9][0], st[9][1]]], [[st[32][0], st[32][1]]], [[st[14][0], st[14][1]]], [[st[2][0], st[2][1]]], [[st[16][0], st[16][1]]]]

st.pop(9), st.pop(32), st.pop(14), st.pop(2), st.pop(16)

# разделяем звезды на кластеры методом dbscan
for k in range(5):
    for j in a[k]:
        for i in range(len(st)):
            if st[i] != ’*’:
                p = [st[i][0], st[i][1]]
                if dist(p, j) < 0.5:
                    a[k].append(p)
                    st[i] = ’*’

sum_x = sum_y = 0  # Переменные для суммы абсцисс и ординат периферий
for i in a:
    tx = ty = 0  # Координаты текущей периферии кластера
    mn = 100000050000  # Минимальное расстояние
    for j in i:
        x1, y1 = j
        sm = 0  # Суммарное расстояние
        for k in i:
            x2, y2 = k
            sm += ((x2-x1)**2 + (y2-y1)**2)**0.5
        if sm < mn:
            mn = sm
            tx, ty = x1, y1
    sum_x += tx
    sum_y += ty
print(int(abs(sum_x / 5) * 1000))
                                                                                                  
                                                                                                  
print(int(abs(sum_y / 5) * 1000))