python_ml/plotting-dbscan.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/Pairs2/"
  16 device = "dlink-siren-device-off"
  17 filename = device + ".txt"
  18 plt.ylim(0, 2000)
  19 plt.xlim(0, 2000)
  20
  21 # Number of triggers
  22 trig = 50
  23
  24 # Read and create an array of pairs
  25 with open(path + filename, "r") as pairs:
  26         pairsArr = []
  27         for line in pairs:
  28                 # We will see a pair and we need to split it into xpoint and ypoint
  29                 xpoint, ypoint = line.split(", ")
  30                 pair = [int(xpoint), int(ypoint)]
  31                 pairsArr.append(pair)
  32
  33 # Formed array of pairs
  34 #print(pairsArr)
  35 X = np.array(pairsArr);
  36
  37 # Compute DBSCAN
  38 # eps = distances
  39 # min_samples = minimum number of members of a cluster
  40 #db = DBSCAN(eps=20, min_samples=trig - 5).fit(X)
  41 # TODO: This is just for seeing more clusters
  42 db = DBSCAN(eps=20, min_samples=trig - 45).fit(X)
  43 core_samples_mask = np.zeros_like(db.labels_, dtype=bool)
  44 core_samples_mask[db.core_sample_indices_] = True
  45 labels = db.labels_
  46
  47 # Number of clusters in labels, ignoring noise if present.
  48 n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)
  49
  50 #print('Estimated number of clusters: %d' % n_clusters_)
  51
  52 import matplotlib.pyplot as plt
  53
  54 # Black removed and is used for noise instead.
  55 unique_labels = set(labels)
  56 #print("Labels: " + str(labels))
  57
  58 colors = [plt.cm.Spectral(each)
  59           for each in np.linspace(0, 1, len(unique_labels))]
  60 for k, col in zip(unique_labels, colors):
  61     cluster_col = [1, 0, 0, 1]
  62     if k == -1:
  63         # Black used for noise.
  64         col = [0, 0, 0, 1]
  65
  66     class_member_mask = (labels == k)
  67
  68     xy = X[class_member_mask & core_samples_mask]
  69     plt.plot(xy[:, 0], xy[:, 1], 'o', markerfacecolor=tuple(cluster_col),
  70              markeredgecolor='k', markersize=10)
  71
  72     xy = X[class_member_mask & ~core_samples_mask]
  73     plt.plot(xy[:, 0], xy[:, 1], 'o', markerfacecolor=tuple(col),
  74              markeredgecolor='k', markersize=6)
  75
  76 count = 0
  77 for pair in pairsArr:
  78         #if labels[count] != -1:
  79         # If this is not a noise (i.e.,real data)
  80         #       plt.text(pair[0], pair[1], "Freq: " + str(labels.tolist().count(labels[count])), fontsize=10)
  81
  82         if labels[count] == -1:
  83                 plt.text(pair[0], pair[1], str(pair[0]) + ", " + str(pair[1]), fontsize=10)
  84         else:
  85         # Only print the frequency when this is a real cluster
  86                 plt.text(pair[0], pair[1], str(pair[0]) + ", " + str(pair[1]) +
  87                         " : " + str(labels.tolist().count(labels[count])), fontsize=10)
  88         count = count + 1
  89
  90
  91 plt.title(device + ' - Clusters: %d' % n_clusters_)
  92 plt.show()
  93
  94