dbscan算法不直接使用dbscan的包实现

好的，我可以给你讲一下如何手动实现DBSCAN算法。

DBSCAN算法是一种基于密度的聚类算法，它将数据点分为三类：核心点、边界点和噪声点。核心点是在一个指定的半径内有足够数量的其他点的点，边界点是在一个指定的半径内没有足够数量的其他点的点，但是它们在核心点的半径范围内，噪声点是既不是核心点也不是边界点的点。DBSCAN算法的步骤如下：

1. 初始化所有点的类别为未分类。
2. 对于每个点p，如果它的半径内有至少minPts个点，则p被标记为核心点，并将p的所有邻居标记为边界点。
3. 对于每个核心点和与之直接或间接相连的边界点，将它们都归为同一个簇中。
4. 对于所有未分类点，将其标记为噪声点。

下面是一个简单的Python代码实现：

import numpy as np

def dbscan(X, eps, min_pts):
    labels = np.zeros(X.shape[0])
    cluster = 0
    for i in range(X.shape[0]):
        if labels[i] != 0:
            continue
        neighbors = get_neighbors(X, i, eps)
        if len(neighbors) < min_pts:
            labels[i] = -1
        else:
            cluster += 1
            expand_cluster(X, labels, i, neighbors, cluster, eps, min_pts)
    return labels

def get_neighbors(X, i, eps):
    neighbors = []
    for j in range(X.shape[0]):
        if i == j:
            continue
        if np.linalg.norm(X[i] - X[j]) < eps:
            neighbors.append(j)
    return neighbors

def expand_cluster(X, labels, i, neighbors, cluster, eps, min_pts):
    labels[i] = cluster
    j = 0
    while j < len(neighbors):
        k = neighbors[j]
        if labels[k] == -1:
            labels[k] = cluster
        elif labels[k] == 0:
            labels[k] = cluster
            new_neighbors = get_neighbors(X, k, eps)
            if len(new_neighbors) >= min_pts:
                neighbors = neighbors + new_neighbors
        j += 1

其中，`X`是输入数据，`eps`是半径大小，`min_pts`是最小密度阈值，`labels`是每个数据点的簇标签，`cluster`是当前簇的编号，`get_neighbors`函数用于获取某个点的邻居，`expand_cluster`函数用于将某个点的邻居加入到同一个簇中。