随着信息技术的进步,每天都有海量的数据被收集并存储下来,导致数据爆炸式增长。从海量数据中挖掘出有价值的额信息至关重要,聚类算法一直是数据挖掘中倍受关注的研究内容,改进传统聚类算法以适应海量数据的处理已成为数据挖掘和信息处理等领域的重要研究内容。基于密度峰值的聚类算法 DPC(Clustering by fast search and find of density peaks)是近来由Rodriguez Alex等提出的一种高效聚类算法,它具有无迭代性、能识别非球状簇的特点,但在计算N个数据样本点的相互距离时,其时间复杂度为O(N2),在处理大数据时,该算法的效率会很低。如何充分利用分布式存储技术,以及如何提高DPC的时间效率已成为改进DPC算法适应大数据聚类的关键技术。针对这些问题,本文主要工作如下:(1)根据簇中心的密度和离群值显著大于普通数据点的特点,引入线性拟合算法实现簇中心的自动选择,去除与用户交互的阶段。通过与原始DPC算法和其他经典聚类算法进行比较,验证了改进DPC算法的有效性。(2)根据DPC算法对邻近点的依赖,引入LSH(Locality Sensitive Hashing)实现将邻近点集划分到一个区域,完成对数据的分区,并利用函数组和多组分区来提高聚类准确度,利用Spark在内存计算以及迭代计算上的优势,对中间可能会进行shuffle的步骤进行优化,设计出一种高效的分布式聚类算法ELSDPC(an efficient distributed density peak clustering algorithm based on E2LSH partition with spark)。在 spark 平台上对算法进行仿真实验,根据理论分析和实验结果可知,ELSDPC能在满足较高聚类准确度的同时显著提升算法的时间效率。(3)在spark平台上使用ELSDPC对东江湖的降雨量和水流量等水文数据进行聚类分析,提取具有重要价值的信息,为周边居民生活和职能部门决策提供支持。