自编码实现 DBSCAN 聚类 步骤 3.8：读入 PCA 降维后的二维鸢尾花数据集 步骤 3.9：按 DBSCAN 算法描述的过程完成数据集的聚类处理（设 eps=0.5, min_samples=5）（注意：不得直接调用 sklearn 或其他库中的 Kmeans 或类似函 数），并输出聚类结果（簇总数，各样本的所属簇编号）步骤 3.10：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）。（也可以调用其他第三方库进行样本的可视化） 步骤 3.11：调用 sklearn 库中函数，计算得到外部指标（RI、FMI）和内部指标 （DBI），并与调库的结果进行对比分析，结果是否相同，如有不同其可能原因。

步骤 3.8：读入 PCA 降维后的二维鸢尾花数据集
可以使用 pandas 库中的 read_csv 函数来读取 csv 格式的数据集，然后将数据集中的特征值部分提取出来。

步骤 3.9：按 DBSCAN 算法描述的过程完成数据集的聚类处理
按照 DBSCAN 算法的描述，需要先找到核心点，再找到直接密度可达的点，以此来完成聚类。在实现过程中，可以使用 numpy 库来进行数组操作、计算距离等。

具体步骤如下：
1. 初始化所有点的簇标记为-1，表示未分类。
2. 对于每个点，计算它与其他点的距离，并找出距离小于eps的点。
3. 如果该点周围的点数大于等于min_samples，则该点为核心点，并将其簇标记设为当前簇标记。
4. 对于核心点周围的所有点，如果该点未被分类，则将其簇标记设为当前簇标记。
5. 重复上述步骤，直到所有点都被分类。

步骤 3.10：调用 matplotlib 的 scatter 函数将聚类后各样本可视化输出
使用 matplotlib 库的 scatter 函数可以将聚类后的结果可视化输出。可以使用不同的颜色来表示不同簇内的样本。

具体步骤如下：
1. 遍历所有点，将它们按照簇标记分组。
2. 对于每个簇，使用不同的颜色进行可视化输出。

步骤 3.11：调用 sklearn 库中函数，计算得到外部指标（RI、FMI）和内部指标（DBI），并与调库的结果进行对比分析
使用 sklearn 库中的函数可以计算得到外部指标（RI、FMI）和内部指标（DBI）。与调库的结果进行对比分析，如果结果不同，可能是由于算法实现的细节不同，或者是参数设置不同等原因。