举例多密度DBSCAN聚类的代码

请参考以下多密度DBSCAN聚类的Python代码：

import numpy as np
from sklearn.metrics.pairwise import pairwise_distances

def multi_density_dbscan(X, eps, R):
    """
    多密度DBSCAN聚类算法
    :param X: 数据点集合
    :param eps: DBSCAN的半径参数
    :param R: 区域密度阈值
    :return: 聚类结果, 噪声点索引
    """
    n, m = X.shape
    # 计算点之间的欧几里得距离
    D = pairwise_distances(X, metric='euclidean')
    # 初始化所有样本点为未访问状态
    visited = np.zeros(n, dtype=bool)
    # 初始化聚类标志为-1，表示所有点都属于噪声点
    labels = -np.ones(n, dtype=int)
    # 初始化聚类簇数为0
    clusters = []
    # 遍历每个未访问的点
    for i in range(n):
        if not visited[i]:
            visited[i] = True
            # 寻找该点半径内的邻居
            neighbor_index = np.where(D[i] <= eps)[0]
            # 如果邻居少于区域密度阈值，则将该点标记为噪声点
            if len(neighbor_index) < R:
                labels[i] = -1
            else:
                # 计算邻居的邻居，并将其与原邻居合并
                neighbor_neighbor_index = set(neighbor_index)
                for idx in neighbor_index:
                    neighbor_neighbor_index |= set(np.where(D[idx] <= eps)[0])
                neighbor_neighbor_index = np.array(list(neighbor_neighbor_index))
                # 如果邻居的邻居大于区域密度阈值，则将该点和其邻居标记为一个聚类
                if len(neighbor_neighbor_index) >= R:
                    cluster = []
                    cluster.append(i)
                    labels[i] = len(clusters)
                    visited[i] = True
                    while len(cluster) > 0:
                        p_idx = cluster.pop()
                        neighbor_index = np.where(D[p_idx] <= eps)[0]
                        if len(neighbor_index) >= R:
                            for idx in neighbor_index:
                                if not visited[idx]:
                                    cluster.append(idx)
                                    labels[idx] = labels[p_idx]
                                    visited[idx] = True
                    clusters.append(labels == labels[i])
                else:
                    labels[i] = -1
    return clusters, np.where(labels == -1)[0]

注意：这是一个简单的示例代码，实际中可能需要根据实际情况进行修改和优化。