编辑导语：DBSCAN算法是一种典型的基于密度的聚类方法，能够将具有足够高密度的区域划分为簇，并在具有噪声的数据中发现任意形状的簇；本文作者分享了关于如何用DBSCAN聚类模型做数据分析，我们一起来看一下。

DBSCAN属于无监督学习算法，无监督算法的内涵是观察无标签数据集自动发现隐藏结构和层次，在无标签数据中寻找隐藏规律。

聚类模型在数据分析当中的应用：既可以作为一个单独过程，用于寻找数据内在规律，也可以作为分类等其他分析任务的前置探索。

上篇我们讲了基于原型的k-means聚类算法，这篇我们来讲通常情况下聚类效果表现更优异的密度聚类DBSCAN。

一、什么是DBSCAN

DBSCAN是一种基于密度的考虑到噪音的空间聚类算法；简单来讲，给定一组点，DBSCAN将彼此距离（欧几里得距离）很近的点聚成一类，同时它还将低密度区域中的点标记为异常值（outlier）。

要了解DBSCAN算法，我们先来熟悉一些关键概念：数据点密度：某数据点指定的半径中点的数量即称为密度；核心对象/核心点：如果指定半径(ε)内的数据点数量超过了规定的点数量（Minpts），那么该点即称为核心点；边界点：如果某点的半径(ε)内的点数量少于规定的点数量（Minpts），不能发展下线，但是却在核心点的邻域内，那么该点称为边界点；密度可达：若某点a在点b的邻域内，则b是核心点a的直接密度可达，若点c又在点b的邻域内，则点c是点a的间接密度可达，a和c密度相连（传播过程）；异常值/离群值：未在核心点邻域内，从任何一个核心点出发都密度不可达，既不是核心点也不是边界点的点称为异常值点；

以下图为例，将所有点基于半径(ε)画圈，指定数据点密度为3，我们发现下图红色点在指定半径内的密度均>3，故红色点为核心点。

而B、C点在核心点邻域内，但是其半径内的点只有2个，小于指定密度，故B、C为边界点。

N点未在核心点邻域内，且从任何一个核心点出发都密度不可达，故N为异常值点；以上点A与B、A与C均密度相连。

二、DBSCAN算法实现原理算法根据指定的邻域密度参数 (ε , Minpts ) 找出所有点中的核心点，确定核心点集合为Ω；从Ω中，随机选取一个核心点作为对象，找出所有由其密度可达的样本生成聚类簇；重复过程2，在Ω中随机选取未被聚簇过的剩余核心点，持续进行直到所有核心点密度可达的聚类完全被发现；

三、算法优缺点