import numpy as np


def three_n(data_set):
    m = data_set.shape[0]  # m 樣本個數(shù)(n維)
    dist_mat = np.diag(np.ones(m) * np.inf)  # 初始化 距離矩陣
    for r in range(m):
        for c in range(r + 1, m):
            dist_mat[r, c] = np.linalg.norm(data_set[r] - data_set[c])
    dist_mat = dist_mat + dist_mat.T  # 距離矩陣 計算完成
    adjacency = np.zeros((m, m))  # 初始化 有向圖的鄰接矩陣
    nonzero_len_init = 0
    r = 0
    while 1:
        row_min_index = np.argmin(dist_mat, axis=1)  # 每一行的最小距離的索引，也就是每個數(shù)據(jù)的第k最近鄰居
        for i in range(m):  # 行和為每一個頂點的出度，代表著距離每一個頂點最近的（1的個數(shù)）個
            adjacency[i, row_min_index[i]] = 1  # 列和為每一個頂點的入度，代表著鄰居的個數(shù)，也是該頂點出現(xiàn)在其他頂點的鄰居中的次數(shù)，即“密度”
            dist_mat[i, row_min_index[i]] = np.inf  # 更新距離矩陣
        density = np.sum(adjacency, axis=0, dtype=np.int32)  # 計算每個頂點的“密度”
        nonzero_len = len(np.nonzero(density)[0])  # 統(tǒng)計“密度”不為0的頂點個數(shù)
        r += 1
        if nonzero_len == m or nonzero_len == nonzero_len_init:
            nn = {}
            p = 0
            for i in range(m):
                nn[i + 1] = np.nonzero(adjacency.T)[1].tolist()[p:p + density[i]]
                nn[i + 1] = [x + 1 for x in nn[i + 1]]
                p = p + density[i]
            return density.tolist(), nn, r
        nonzero_len_init = nonzero_len


s = np.mat('1,2,3;2,3,5;4,6,7;1,2,1;4,4,3;2,6,9;1,2,5')

d = three_n(s)
print(d)

運行結(jié)果

函數(shù)返回結(jié)果：
第一個元素：每一個數(shù)據(jù)點的鄰居數(shù)（被其他數(shù)據(jù)點的鄰域覆蓋的次數(shù)，即“密度”）
第二個元素：每一個數(shù)據(jù)點的鄰域集（每一列）
第三個元素：supk