我的数据是一组 10000 个点（每个点都有一个节点位置 (x,y)），它们分布在一个平面上。它们也根据它们的重量着色。

我需要最终确定一种贝叶斯非参数聚类方法，该方法主要根据权重和距离对点进行分组：也就是说，根据定义，聚类与距离有一定的相关性，但在第一季度和最后一个季度之间存在明显的拓扑区分因素数据（我说季度是任意数量；实际上，集群的确切数量和拓扑会通过迭代而变化）。

正如您在上图中看到的那样，我尝试使用 notability 创建具有不同集群拓扑类型的数据的粗略彩色图像；在我的算法的每次迭代中，如前所述，集群改变位置（基于它们的权重）和它们的形状，并且一些重叠（并且新集群的可能性（或总数可能减少）每次迭代都非常高，其中该图像表示 x 点的一次迭代）

此外，由于我是通过 python 对数据进行分析，因此我正在考虑使用 T-SNE 机器学习包作为通用聚类方法的替代品，但我对其功能的了解有限。此外，由于我的数据基于相同的加权比例，因此可能有点矫枉过正。

编辑：我改变了图片以显示重叠的集群，所以我的意思更清楚了。然而，请记住，即使这些可见的集群在重量上也不是均匀的（它们仍然会有所不同，但在一个很小的阈值内）。当然有噪音，但我真的想独立对待每个集群，以查看每个集群随时间的行为（以及新形成的集群，因此是非参数方法）