DBSCAN算法

DBSCAN算法是基于密度进行聚类的，根基任何画出指定的半径园，是否满足minpts判断是不是核心对象，可以不用事先指定簇，可以分出形状

1. 核心对象: 若某个点的密度达到算法设定的值视为核心点（即r邻域内点的数量不小于minPts）
2. E-邻域距离阈值: 设定的半径
3. 直接密度可达: p在q的r的邻域内（p在以q点设定半径下的圆内，则称p-q直接密度可达）
4. 密度可达: 若p-q直接密度可达，f-p直接密度可达，f-q直接密度不可达，则称f-q密度可达
   算法原理: 选取一个核心点画圆，在圆内的点满足minpts个数，在这些点依次画圆，重复以上，结束后若没有在圆内的点称为噪声点
   
   二、 代码举例
   db = skc.DBSCAN(eps = ,min_samples = ).fix(x)
   #eps为E-邻域距离阈值（半径长） min_samples为minPts
   #x为[[data1,data2……],[],[],[]……]
   labels = db.labels_
   #返回数据标签（若标签值为-1，则代表该点数据为噪声点）
   lables[:] = -1
   #判断lables截取的长度内每个值是否等于-1，等于返回True，不等于返回False，如lables = [1,5,8,-1,4,-1] 运行lables[1:6] 判断序号1到5内的元素是否为-1并依次返回boolean到序号为组成新的列表，结果为
   [False,False,True,False,True]
   n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)
   #统计有几类有效簇（-1要除去因为是噪声点），set函数查重返回无序的无重复的集合，len返回set函数后的集合得到一共分成几个簇
   1 if -1 in labels else 0 表示如果-1在内表示有噪声点不是有效点所以要减去1