读入 PCA 降维后的二维鸢尾花数据集 调用 sklearn 库中 DBSCAN 类进行聚类（设 eps=0.5, min_samples=5）， 得到簇的总数、各样本的所归属簇的编号。调用 sklearn 库中函数，计算得到外部指标（RI、FMI，越大越好）和 内部指标（DBI，越小越好）调用 matplotlib 的 scatter 函数将聚类后各样本可视化输出（不同簇内 的样本用不同的颜色表示）

好的，你的问题是如何读入 PCA 降维后的二维鸢尾花数据集并使用 DBSCAN 进行聚类，以及如何计算聚类的外部指标和内部指标，并可视化聚类结果。

首先，我们需要读入 PCA 降维后的二维鸢尾花数据集。假设数据集被保存在 iris_pca.csv 文件中，我们可以使用 pandas 库中的 read_csv 函数来读取数据：

import pandas as pd

data = pd.read_csv('iris_pca.csv')

接下来，我们可以使用 sklearn 库中的 DBSCAN 类进行聚类。设定 eps=0.5 和 min_samples=5，代码如下：

from sklearn.cluster import DBSCAN

dbscan = DBSCAN(eps=0.5, min_samples=5)
labels = dbscan.fit_predict(data)
num_clusters = len(set(labels)) - (1 if -1 in labels else 0)
print('Total number of clusters:', num_clusters)
print('Cluster labels:', labels)

上面的代码中，我们首先创建了一个 DBSCAN 对象，然后使用 fit_predict 方法对数据进行聚类，并将聚类结果保存在 labels 变量中。通过计算聚类结果 labels 中的独立值的数量，我们可以得到簇的总数。

接下来，我们可以使用 sklearn 库中的函数来计算外部指标和内部指标。假设真实标签保存在文件 iris_labels.csv 中，我们可以使用如下代码来读取真实标签：

true_labels = pd.read_csv('iris_labels.csv', header=None)

然后，我们可以使用 sklearn.metrics 库中的函数来计算外部指标和内部指标：

from sklearn.metrics import adjusted_rand_score, fowlkes_mallows_score, davies_bouldin_score

ri = adjusted_rand_score(true_labels, labels)
fmi = fowlkes_mallows_score(true_labels, labels)
dbi = davies_bouldin_score(data, labels)
print('RI:', ri)
print('FMI:', fmi)
print('DBI:', dbi)

最后，我们可以使用 matplotlib 库中的 scatter 函数将聚类后的各样本可视化输出。代码如下：

import matplotlib.pyplot as plt

colors = ['r', 'g', 'b', 'y', 'c', 'm']
for i in range(num_clusters):
    cluster_data = data[labels == i]
    plt.scatter(cluster_data.iloc[:, 0], cluster_data.iloc[:, 1], s=30, c=colors[i % len(colors)], label='Cluster {}'.format(i))
plt.legend()
plt.show()

上面的代码中，我们首先定义了一些颜色用于可视化不同簇内的样本。然后，我们遍历每一个簇，获取该簇内的数据，并使用 scatter 函数将数据可视化输出。最后，我们使用 legend 函数和 show 函数显示图像。

希望这些代码可以帮助你解决问题！