在python中聚集500,000个地理空间点

Question

我目前面临的问题是如何在python中聚集大约500,000个纬度/经度对。到目前为止，我已经尝试用numpy计算距离矩阵（传入scikit-learn DBSCAN），但是如此大的输入会很快发出内存错误。

这些点存储在包含该点的纬度，经度和数据值的元组中。

简而言之，在python中对大量纬度/经度对进行空间聚类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： 要查找的算法的簇数是提前未知的。

Answer 1

scikit learn中旧版本的DBSCAN会计算完整的距离矩阵。

不幸的是，计算距离矩阵需要O(n^2)内存，这可能就是你内存不足的地方。

scikit learn的新版本（你使用哪个版本？）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。在500.000个对象中，您做想要使用索引加速，因为这会将运行时从O(n^2)减少到O(n log n)。

我不知道scikit学习如何支持其索引中的大地距离。 ELKI是我所知道的唯一可以使用R * -tree索引来加速大地距离的工具;使这项任务非常快（特别是在批量加载索引时）。你应该试一试。

查看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将三十五个随机数生成三列。

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]:

我计时了，运行这个Kmeans2花了1.96秒，所以我不认为它与你的数据大小有关。将您的数据放入500000 x 3 numpy数组并尝试kmeans2。