调库实现 DBSCAN 聚类 步骤 3.1：读入 PCA 降维后的二维鸢尾花数据集 步骤 3.2：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。 步骤 3.3：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） 步骤 3.4：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）

好的，以下是实现 DBSCAN 聚类的代码：

# 步骤 3.1：读入 PCA 降维后的二维鸢尾花数据集
import pandas as pd

data = pd.read_csv('pca_iris.csv')
X = data.iloc[:, :-1].values

# 步骤 3.2：调用 sklearn 库中 DBSCAN 类进行聚类
from sklearn.cluster import DBSCAN

dbscan = DBSCAN(eps=0.5, min_samples=5)
dbscan.fit(X)

# 得到簇的总数、各样本的所归属簇的编号
n_clusters = len(set(dbscan.labels_)) - (1 if -1 in dbscan.labels_ else 0)
print("聚类簇的总数为：", n_clusters)
print("各样本的所归属簇的编号为：", dbscan.labels_)

# 步骤 3.3：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）
from sklearn.metrics import davies_bouldin_score, adjusted_rand_score, fowlkes_mallows_score

dbi = davies_bouldin_score(X, dbscan.labels_)
ri = adjusted_rand_score(data['class'], dbscan.labels_)
fmi = fowlkes_mallows_score(data['class'], dbscan.labels_)

print("DBI 的值为：", dbi)
print("RI 的值为：", ri)
print("FMI 的值为：", fmi)

# 步骤 3.4：调用 matplotlib 的 scatter 函数将聚类后各样本可视化输出
import matplotlib.pyplot as plt

colors = ['r', 'g', 'b', 'c', 'm', 'y', 'k']
for cluster in range(-1, n_clusters):
    plt.scatter(X[dbscan.labels_ == cluster, 0], X[dbscan.labels_ == cluster, 1], c=colors[cluster % len(colors)], label='Cluster %d' % cluster)

plt.title('DBSCAN Clustering')
plt.xlabel('PCA Component 1')
plt.ylabel('PCA Component 2')
plt.legend()
plt.show()

在运行以上代码之前，请确保已经安装好了必要的库。

以上代码中，我们首先读入 PCA 降维后的二维鸢尾花数据集（步骤 3.1）。然后，我们调用 sklearn 库中的 DBSCAN 类进行聚类，并设置 `eps=0.5` 和 `min_samples=5`（步骤 3.2）。接着，我们计算外部指标（RI、FMI）和内部指标（DBI）（步骤 3.3）。最后，我们使用 matplotlib 的 scatter 函数将聚类后的样本可视化输出（步骤 3.4）。

希望这个代码可以帮助到你！