DBSCAN的python实现

用sklearn包进行DBSCAN的运算，其中有两个重要的参数如下：（具体的含义请参考别的博文）

1）eps：

越大类别数越少——参数越大的话，多个簇和大部分对象会归并到同一个簇中

2）min_samples：

MinPts（min_samples）的选取有一个指导性的原则，MinPts≥dim+1,其中dim表示待聚类数据的维度。MinPts设置为1是不合理的，因为设置为1，则每个独立点都是一个簇，MinPts≤2时，与层次距离最近邻域结果相同，因此，MinPts必须选择大于等于3的值。若该值选取过小，则稀疏簇中结果由于密度小于MinPts，从而被认为是边界点儿不被用于在类的进一步扩展；若该值过大，则密度较大的两个邻近簇可能被合并为同一簇。因此，该值是否设置适当会对聚类结果造成较大影响。

import matplotlib.pyplot as plt
from sklearn.cluster import DBSCAN
import numpy as np

输入：是一个narrary