DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。 与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇， 并可在噪声的空间数据库中发现任意形状的聚类。
算法流程
（1）圆心标记为聚类点画圈+判断临近点是否列入种子队列
选取一个点，以eps为半径，画一个圈，看圈内有几个临近点，临近点个数如果大于某个阈值min_points, 则认为该点为某一簇的点；如果小于 min_points，则被标记为噪声点。
如下图，选择点1为圆心画圈，这种画圈和数数的过程实际上就是求1点的密度了，如果圈内的点足够多则1这个点的密度就足够大。下图中点1的临近点为点4,7,9,10。将点1的临近点作为种子点： seeds = **4** ,7,9,10
如下图中点5就是噪声点
（2）依次遍历所有种子点
1.遍历所有种子点，如果该点被标为 噪声点 ，则重标为 **聚类点 ；**如果该点没有被标记过，则标记为 **聚类点。**如果该点已经被标记过了，则 不再遍历该点，跳过该点去处理下一个。
接下来以点4（聚类点）举例，其中min_points以3为举例，如下图中（红色）表示聚类点。
2.并且以聚类点点4为圆心，以eps为半径再次画一个圈。如果圈内点数大于min_points，将圈内点，添加到种子中seeds = **4** ,7,9,10,1,7,9,16 （点4为圆心的圈中有临近点1,7,9,16）
过程：
- 首先标记点4为聚类点
- 然后画圈数临近点个数，判断临近点个数大于/小于min_points
- 临近点个数大于min_points则添加到种子队列
(3) 重复步骤2，直到遍历完所有的种子点
1.在上面步骤2中已经遍历完了4这个点，接下来遍历点7。
首先标记点7为聚类点（红色），seeds = **4** , **7** ,9,10,1,7,9,16
然后画圈数数，点7的周围有点12， 4 少于 min_points（以min_points=3举例），因此seed 不扩展
2.处理点9
首先标记点9为聚类点，seeds = **4**,**7**,**9**,10,1,7,9,16
然后以点9为中心画一个圈。点9周围有1，4，3三个数，min_points=3所以可以添加到种子队列里，添加1,4,3点，种子更新为seeds = **4**,**7**,**9**,10,1,7,9,16,1,4,3
3.处理点10
首先标记点10为聚类点
然后画圈数数，点10的周围有点1,6,7
将点1,6,7添加到种子队列中，seeds = **4** , **7** , **9** , **10** ,1,7,9,16,1,4,3,1,6,7
4.继续顺序处理后面的点
1 已经标记过，继续下个点
seeds = **4** , **7** , **9** , **10** , **1** ,7,9,16,1,4,3,1,6,7
7 已经标记过，继续下个点
seeds = **4** , **7** , **9** , **10** , **1** , **7** ,9,16,1,4,3,1,6,7
9 已经标记过，继续下个点
seeds = **4** , **7** , **9** , **10** , **1** , **7** , **9** ,16,1,4,3,1,6,7
16 周围点过少
seeds = **4** , **7** , **9** , **10** , **1** , **7** , **9** , **16** ,1,4,3,1,6,7
......
......
依次类推，直到遍历完所有的种子点
(4) 标记完一簇后（红色的为一簇），寻找一个未被标记的点，开始新的一轮聚类
找到点5 ，周围点过少，标记为 NOISE噪声
找到点15， 周围点过少，标记为NOISE噪声
找到点 19 开始新的一轮聚类
最后，所有点标记完，聚类结束，形成了两蔟，红色一簇和蓝色一簇
编程实现 源码下载
聚类效果：
源码下载地址：
https://download.csdn.net/download/m0_61712829/89103298本资源包含本文聚类算法代码实现的源码，此外，还有数据分析综合课程设计，包含：SIR过程模拟与节点排序、用k-means和DBSCAN算法对银行数据进行聚类并完成用户画像、决策树与随机森林、基于奇异值分解的评分预测算法实现