Implementing relaxed matching for layer 2 and layer 3.
[pingpong.git] / python_ml / plotting-dbscan-diff.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 # Read from file
12 # TODO: Just change the following path and filename 
13 #       when needed to read from a different file
14 path = "/scratch/July-2018/Pairs2/"
15 # TODO: Change the order of the files below to generate
16 #               the diff plot reversedly
17 device1 = "dlink-siren-device-off"
18 device2 = "dlink-siren-device-on"
19 filename1 = device1 + ".txt"
20 filename2 = device2 + ".txt"
21 plt.ylim(0, 2000)
22 plt.xlim(0, 2000)
23
24 # Number of triggers
25 trig = 50
26
27 # PLOTTING FOR DEVICE ON EVENT
28 # Read and create an array of pairs
29 with open(path + filename1, "r") as pairs:
30         pairsArr1 = list()
31         for line in pairs:
32                 # We will see a pair and we need to split it into xpoint and ypoint
33                 xpoint, ypoint = line.split(", ")
34                 pair = [int(xpoint), int(ypoint)]
35                 pairsArr1.append(pair)
36
37 # PLOTTING FOR DEVICE ON EVENT
38 # Read and create an array of pairs
39 with open(path + filename2, "r") as pairs:
40         pairsArr2 = list()
41         for line in pairs:
42                 # We will see a pair and we need to split it into xpoint and ypoint
43                 xpoint, ypoint = line.split(", ")
44                 pair = [int(xpoint), int(ypoint)]
45                 pairsArr2.append(pair)
46
47 diff12 = [i for i in pairsArr1 if i not in pairsArr2]
48
49 X = np.array(diff12);
50
51 # Compute DBSCAN
52 # eps = distances
53 # min_samples = minimum number of members of a cluster
54 db = DBSCAN(eps=10, min_samples=trig - 45).fit(X)
55 core_samples_mask = np.zeros_like(db.labels_, dtype=bool)
56 core_samples_mask[db.core_sample_indices_] = True
57 labels = db.labels_
58
59 # Number of clusters in labels, ignoring noise if present.
60 n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)
61
62 # Black removed and is used for noise instead.
63 unique_labels = set(labels)
64
65 colors = [plt.cm.Spectral(each)
66               for each in np.linspace(0, 1, len(unique_labels))]
67 for k, col in zip(unique_labels, colors):
68         cluster_col = [1, 0, 0, 1]
69         if k == -1:
70             # Black used for noise.
71             col = [0, 0, 0, 1]
72
73         class_member_mask = (labels == k)
74
75         # print("Unique label: " + str(k) + " with freq: " + str(labels.tolist().count(k)))
76         xy = X[class_member_mask & core_samples_mask]
77         plt.plot(xy[:, 0], xy[:, 1], 'o', markerfacecolor=tuple(cluster_col),
78                  markeredgecolor='k', markersize=10)
79
80         xy = X[class_member_mask & ~core_samples_mask]
81         plt.plot(xy[:, 0], xy[:, 1], 'o', markerfacecolor=tuple(col),
82                  markeredgecolor='k', markersize=6)
83
84 count = 0
85 for pair in diff12:
86         if labels[count] == -1:
87                 plt.text(pair[0], pair[1], str(pair[0]) + ", " + str(pair[1]), fontsize=10)
88         else:
89         # Only print the frequency when this is a real cluster
90                 plt.text(pair[0], pair[1], str(pair[0]) + ", " + str(pair[1]) + 
91                         " - Freq:" + str(labels.tolist().count(labels[count])), fontsize=10)
92         count = count + 1
93
94 plt.title(device1 + ' - diff - ' + device2)
95 plt.show()
96
97