python_ml/plotting-dbscan-complete.py

   1 from sklearn.cluster import DBSCAN
   2 from sklearn import metrics
   3 import matplotlib.cm as cm
   4 import numpy as np
   5 import matplotlib.pyplot as plt
   6
   7 # Create a subplot with 1 row and 2 columns
   8 fig, (ax2) = plt.subplots(1, 1)
   9 fig.set_size_inches(7, 7)
  10
  11
  12 # Read from file
  13 # TODO: Just change the following path and filename
  14 #       when needed to read from a different file
  15 path = "/scratch/July-2018/Pairs/"
  16 device1 = "tplink-bulb-on"
  17 device2 = "tplink-bulb-off"
  18 filename1 = device1 + ".txt"
  19 filename2 = device2 + ".txt"
  20
  21 # Number of triggers
  22 trig = 50
  23
  24 # PLOTTING FOR DEVICE ON EVENT
  25 # Read and create an array of pairs
  26 with open(path + filename1, "r") as pairs:
  27         pairsArr = []
  28         for line in pairs:
  29                 # We will see a pair and we need to split it into xpoint and ypoint
  30                 xpoint, ypoint = line.split(", ")
  31                 pair = [int(xpoint), int(ypoint)]
  32                 pairsArr.append(pair)
  33
  34 # Formed array of pairs
  35 #print(pairsArr)
  36 X = np.array(pairsArr);
  37
  38 # Compute DBSCAN
  39 # eps = distances
  40 # min_samples = minimum number of members of a cluster
  41 db = DBSCAN(eps=30, min_samples=trig - 5).fit(X)
  42 core_samples_mask = np.zeros_like(db.labels_, dtype=bool)
  43 core_samples_mask[db.core_sample_indices_] = True
  44 labels = db.labels_
  45
  46 # Number of clusters in labels, ignoring noise if present.
  47 n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)
  48 #print('Estimated number of clusters: %d' % n_clusters_)
  49
  50 # Black removed and is used for noise instead.
  51 unique_labels = set(labels)
  52 #print("Labels: " + str(labels))
  53
  54 colors = [plt.cm.Spectral(each)
  55               for each in np.linspace(0, 1, len(unique_labels))]
  56 for k, col in zip(unique_labels, colors):
  57         if k == -1:
  58             # Black used for noise.
  59             col = [0, 0, 0, 1]
  60
  61         class_member_mask = (labels == k)
  62
  63         print("Unique label: " + str(k) + " with freq: " + str(labels.tolist().count(k)))
  64         xy = X[class_member_mask & core_samples_mask]
  65         plt.plot(xy[:, 0], xy[:, 1], 'o',
  66                  markeredgecolor='k', markersize=10)
  67
  68         xy = X[class_member_mask & ~core_samples_mask]
  69         plt.plot(xy[:, 0], xy[:, 1], 'o', markerfacecolor=tuple(col),
  70                  markeredgecolor='k', markersize=6)
  71
  72 count = 0
  73 for pair in pairsArr:
  74         plt.text(pair[0], pair[1], str(pair[0]) + ", " + str(pair[1]) +
  75                 "\nFreq: " + str(labels.tolist().count(labels[count])), fontsize=10)
  76         count = count + 1
  77
  78 #====================================================================================================
  79
  80 # PLOTTING FOR DEVICE ON EVENT
  81 # Read and create an array of pairs
  82 with open(path + filename2, "r") as pairs:
  83         pairsArr = []
  84         for line in pairs:
  85                 # We will see a pair and we need to split it into xpoint and ypoint
  86                 xpoint, ypoint = line.split(", ")
  87                 pair = [int(xpoint), int(ypoint)]
  88                 pairsArr.append(pair)
  89
  90 # Formed array of pairs
  91 #print(pairsArr)
  92 X = np.array(pairsArr);
  93
  94 # Compute DBSCAN
  95 # eps = distances
  96 # min_samples = minimum number of members of a cluster
  97 db = DBSCAN(eps=10, min_samples=trig - 5).fit(X)
  98 core_samples_mask = np.zeros_like(db.labels_, dtype=bool)
  99 core_samples_mask[db.core_sample_indices_] = True
 100 labels = db.labels_
 101
 102 # Number of clusters in labels, ignoring noise if present.
 103 n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)
 104 #print('Estimated number of clusters: %d' % n_clusters_)
 105
 106 import matplotlib.pyplot as plt
 107
 108 # Black removed and is used for noise instead.
 109 unique_labels = set(labels)
 110 #print("Labels: " + str(labels))
 111
 112 colors = [plt.cm.Spectral(each)
 113               for each in np.linspace(0, 1, len(unique_labels))]
 114 for k, col in zip(unique_labels, colors):
 115         if k == -1:
 116             # Black used for noise.
 117             col = [0, 0, 0, 1]
 118
 119         class_member_mask = (labels == k)
 120
 121         print("Unique label: " + str(k) + " with freq: " + str(labels.tolist().count(k)))
 122         xy = X[class_member_mask & core_samples_mask]
 123         plt.plot(xy[:, 0], xy[:, 1], 'o',
 124                  markeredgecolor='k', markersize=10)
 125
 126         xy = X[class_member_mask & ~core_samples_mask]
 127         plt.plot(xy[:, 0], xy[:, 1], 'o', markerfacecolor=tuple(col),
 128                  markeredgecolor='k', markersize=6)
 129
 130 count = 0
 131 for pair in pairsArr:
 132         plt.text(pair[0], pair[1], str(pair[0]) + ", " + str(pair[1]) +
 133                 "\nFreq: " + str(labels.tolist().count(labels[count])), fontsize=10)
 134         count = count + 1
 135
 136
 137
 138 plt.title(device1 + ' & ' + device2 + ' - Estimated number of clusters: %d' % n_clusters_)
 139 plt.show()
 140
 141