思路概述

1. 读入数据：从标准输入读取一行 JSON，分别得到 train 与 test 的二维数值特征。
2. 拼接与标准化：将 train、test 在样本维度上拼接为整体矩阵 X，对 X 使用 一次 StandardScaler.fit_transform 完成标准化。
3. DBSCAN 聚类：在标准化后的特征上执行 DBSCAN(eps=0.3, min_samples=3, metric="euclidean", algorithm="auto") 得到原始标签 labels（离群为 -1）。
4. 簇重映射（仅针对非 -1）：

题目内容

请在仅依赖 numpy/pandas/scikit-learn 的前提下，完成一个基于 DBSCAN 的异常检测器，并对给定测试样本输出聚类结果(正常簇 $0,1,2…;$ 离群点 $-1$ )。

1. 读取数据

   • train 字段：二维列表，元素均为数值特征

   • test 字段：二维列表，特征维度与 train 相同

   • 无标签，全为无监督场景

2. 预处理

   • 将 train 与 test 按行拼接得到整体数据集

   • 使用 StandardScaler 对所有特征做标准化 (fit_transform一次完成)

3. DBSCAN 聚类

   • 采用DBSCAN聚类，你可能会用到的参数固定为 eps=0.3，min_samples=3, metric="euclidean", algorithm="auto"

4. 簇标签重映射(唯一化输出)

   • 设原本的标签集合为 {$-1,0,1,…$} ，其中 $-1$ 表示离群

   • 对所有非 $-1$ 的簇 $l$ ：

   i.计算簇在标准化特征空间的质心 $c_l$

   ii.按质心第一维坐标从小到大排序得到顺序 $l_0,l_1,…$

   iii. 重新赋值：$l_0→0，l_1→1,...$

   • 离群点标签保持 $-1$ 不变

5. 结果输出

   • 仅对 test 部分输出重新映射后的标签序列

   • 以单行 JSON 数组 输出

输入描述

标准输入仅一行 JSON，示例：

{

"train":[[0,0],[0.1,0],[5,5]],

"test":[[0.05,0.05],[9,0]]

}

• 所有数值为整数/浮点数，无空行

输出描述

标准输出仅含一行：$[0,-1]$

• 数组长度等于测试样本数

• 逗号后须有空格，符合 JSON 规范

补充说明

1.标准化：仅用一次 StandardScaler ；不要对 train、test 分别拟合

2.超参数：eps=0.3，min samples=3 固定

3.为了确保通过测试用例，仅允许使用 numpy / pandas / scikit-learn

样例1

输入

{"train":[[0,0],[0.1,0],[5,5],[5.1,5],[10,0]],"test":[[0.05,0.05],[5.05,5.05],[9,0]]}

输出

[0,1,-1]