解释sc系数，写出详细Python代码实现计算sc系数，并将代码每行注释，不能直接调用sc函数

SC系数（Silhouette Coefficient）是一种聚类算法的评价指标，用于评估聚类结果的好坏，其取值范围为[-1,1]。SC系数越大，表示聚类效果越好；当SC系数接近于0时，表示聚类效果差；当SC系数小于0时，表示聚类结果不理想。

Python代码实现如下：

from sklearn.metrics import pairwise_distances  # 导入计算距离的函数
import numpy as np

def silhouette_coefficient(X, labels):
    """
    计算SC系数

    Parameters:
        X: array-like, shape (n_samples, n_features)
            样本数据集
        labels: array-like, shape (n_samples,)
            每个样本所属的簇的标签

    Returns:
        sc: float
            SC系数
    """
    n_samples = X.shape[0]  # 样本数量
    distances = pairwise_distances(X)  # 计算距离矩阵

    a = np.zeros(n_samples)  # 存储每个样本和同簇其他样本之间的平均距离
    b = np.zeros(n_samples)  # 存储每个样本和其他簇中样本之间的最小平均距离

    # 计算a和b
    for i in range(n_samples):
        # 计算a
        indices = np.where(labels == labels[i])[0]  # 找到和当前样本同簇的所有样本
        ai = np.mean(distances[i, indices])  # 计算当前样本和同簇其他样本之间的平均距离
        a[i] = ai

        # 计算b
        bs = np.zeros(len(set(labels)))  # 存储当前样本和其他簇中样本之间的平均距离
        for j in set(labels):
            if j != labels[i]:
                indices = np.where(labels == j)[0]  # 找到其他簇中所有样本
                bi = np.mean(distances[i, indices])  # 计算当前样本和其他簇中样本之间的平均距离
                bs[j] = bi
        b[i] = np.min(bs)

    # 计算SC系数
    s = (b - a) / np.maximum(a, b)
    sc = np.mean(s)

    return sc

代码中使用了sklearn库中的pairwise_distances函数计算距离矩阵，其他部分均为手写实现。