想象一下，我有一个数据集如下：
[{"x":20, "y":50, "attributeA":90, "attributeB":3849},
{"x":34, "y":20, "attributeA":86, "attributeB":5000},
etc.
除了这些之外，还有更多其他属性 - 这只是一个例子。我想知道的是，如何根据所有因素对这些点进行聚类，并控制给定变量的给定点与下一个点之间的最大间隔，以便将其视为链接。 （即欧几里德距离必须在10分以内，attributeA在5分以内，attributeB在1000分以内）
有关如何在python中执行此操作的任何想法？正如我上面暗示的那样，如果可能的话，我想应用欧氏距离来比较两点之间的距离 - 而不仅仅是将x和y作为单独的属性进行比较。对于其余的属性，它将是所有单维比较...如果这是有道理的。
编辑：只是为了增加一些清晰度，如果这没有意义，基本上我正在寻找一些算法来比较所有对象（或一些更有效的方式），如果所有当与对象B比较时，对象A的属性和欧几里德距离在指定的阈值内，那么这两个被认为是相似的并且被链接 - 这个过程一直持续到最终所有链接的集群都可以被返回，因为一些集群将没有满足条件的点与另一个集群中的任何点相似，导致集群被分离。
答案 0 :(得分：2)
最简单的方法是构建二进制“连接”矩阵。
如果您的条件已满，请a[i,j]完全为0，否则为1。
然后在该矩阵上运行具有完全链接的分层凝聚聚类。如果您不需要每个群集中的每对对象都满足您的阈值，那么您还可以使用其他链接。
这不是最好的解决方案 - 其他距离矩阵需要O（n²）内存和时间，而群集甚至是O（n³），但最容易实现。在Python代码中计算距离矩阵将非常慢，除非您可以避免所有循环并且例如numpy完成大部分工作。要提高可伸缩性，您应该考虑使用DBSCAN和数据索引。
用权重替换三个不同的阈值是相当简单的，这样你就可以获得连续的距离;甚至可能是指标。然后你可以使用数据索引，并尝试OPTICS。