python不用第三方库计算多维数据的距离，进行dbscan聚类

首先，计算多维数据的距离可以使用欧氏距离公式，该公式如下：

distance = sqrt((x1 - y1)**2 + (x2 - y2)**2 + ... + (xn - yn)**2)

其中，x1, x2, ..., xn 和 y1, y2, ..., yn 分别表示多维数据中的各维特征值。

然后，可以使用以下代码实现 dbscan 聚类：

import math

def euclidean_distance(x, y):
    """
    计算欧氏距离
    """
    distance = 0.0
    for i in range(len(x)):
        distance += (x[i] - y[i]) ** 2
    return math.sqrt(distance)

def dbscan(data, eps, min_pts):
    """
    dbscan 聚类
    """
    clusters = []
    visited = set()
    for i in range(len(data)):
        if i in visited:
            continue
        visited.add(i)
        neighbors = []
        for j in range(len(data)):
            if euclidean_distance(data[i], data[j]) <= eps:
                neighbors.append(j)
        if len(neighbors) < min_pts:
            continue
        cluster = [i]
        for k in neighbors:
            if k in visited:
                continue
            visited.add(k)
            sub_neighbors = []
            for j in range(len(data)):
                if euclidean_distance(data[k], data[j]) <= eps:
                    sub_neighbors.append(j)
            if len(sub_neighbors) >= min_pts:
                neighbors.extend(sub_neighbors)
            if k not in cluster:
                cluster.append(k)
        clusters.append(cluster)
    return clusters

其中，`data` 表示多维数据，`eps` 表示邻域半径，`min_pts` 表示最小点数。函数返回一个列表，其中每个元素表示一个聚类，包含多个数据点的下标。