企业官网建设流程全解析

几年前我拿到一份用户活跃度数据，凌晨两点还在调 K-means 的 k 值，画出来的散点图里有一个很明显的环形结构，算法却干脆利落地把它劈成了左右两半，两半的质心都落在环形中间的空气里。那次之后我才真正去啃基于密度的聚类，尤其是DBSCAN这个算法。它不需要你提前告诉它有几类，不假设簇是凸的，还会主动把够不上密度的点标成噪声——这三点恰好是 K-means 最要命的地方。这篇内容属于"机器学习算法"系列里聚类部分的第三篇，主题就是 DBSCAN 从原理到落地的完整链路，我会把参数怎么定、代码怎么写、结果为什么怪、踩过哪些坑都摊开讲。适合已经会用 K-means、想补上密度聚类这块拼图的人，也适合刚接触聚类、想找一个能直接跑起来的完整示例的新手。

1. 为什么 K-means 搞不定的形状，DBSCAN 能接住

1.1 一个环形数据集的直觉实验

要理解 DBSCAN 的价值，最省事的办法是亲手造两组数据跑一下。第一组是两块明显分开的团状点云，第二组是内外两个同心圆环。对团状数据，K-means 和 DBSCAN 的结果几乎没差别，质心位置都很合理。但对环形数据，K-means 的表现会让你怀疑人生：它只会按到质心的距离做硬性划分，环形结构的"内圈"和"外圈"在空间上是缠绕的，无论质心摆在哪，切割线都会穿过某一整块连续的样本。

DBSCAN 的判断依据换了一个维度。它不问"你离哪个中心最近"，而问"你周围一圈有多挤"。只要一片区域的点足够密，并且这些点能通过"彼此都在对方邻居范围内"的关系链式连起来，它们就属于同一个簇。环形上的点密度均匀，邻居关系沿着圆环一路传递，自然就串成了一个完整的簇；圆心那片空地没有点，也就没人去连它。

这个差别背后是两种完全不同的假设。K-means 隐含假设簇是球形、大小相近、方差一致的；DBSCAN 只假设簇是密度连通的区域。现实数据里后者的适用范围其实更广，因为人的行为、地理位置、传感器读数往往呈现出不规则的连通形状，而不是标准球。

1.2 密度可达：DBSCAN 的世界观其实很简单

DBSCAN 全称是 Density-Based Spatial Clustering of Applications with Noise，名字长得吓人，核心概念只有两个参数和三个定义。

第一个参数叫eps（ε），是邻域半径；第二个叫minPts，是邻域内至少要有的点数。给定一个点 p，以 p 为圆心、eps 为半径画个圈，圈里的点（包括 p 自己）数量记为 N(p)。如果 N(p) ≥ minPts，p 就是核心点（core point）；如果 N(p) < minPts 但 p 落在某个核心点的邻域里，p 是边界点（border point）；剩下的就是噪声点（noise point），最后会被标成 -1。

基于这两条，算法定义了两个关系。直接密度可达：如果 q 在 p 的邻域里，且 p 是核心点，那么 q 从 p 直接密度可达。注意方向性——反过来不一定成立，因为 q 自己可能不是核心点。密度可达则是这条关系的传递闭包：存在一条点链 p1, p2, …, pn，每个 pi+1 都从 pi 直接密度可达，那 pn 就从 p1 密度可达。一个簇就是所有互相密度可达的点的最大集合。

这里有个容易被忽略的细节：密度可达不是对称关系，但**密度相连（density-connected）**是对称的。如果存在一个点 o，使得 p 和 q 都从 o 密度可达，那么 p 和 q 密度相连。簇的最终定义用的是密度相连，这样边界点才能被正确地拉进簇里，而不是因为自身不是核心点就被孤立出去。

1.3 三类点位的定义与它们在图上的样子

把这三种点在图上标出来，你会对算法的行为有非常直观的认识。核心点通常落在簇的"内脏"区域，它们的邻域里挤满了邻居；边界点贴着簇的边缘，自身邻域不达标，但被核心点"罩住"了；噪声点散落在簇外的空白区域，既不是核心点也没被任何核心点覆盖。

这三类的比例能直接告诉你参数调得对不对，这是我调试 DBSCAN 时最常看的一个信号：

需要说明的是这个区间没有普适性，它取决于你手上数据的真实噪声比例。我做用户行为分群时，噪声占比稳定在 8%–15% 之间；做设备异常检测时，噪声占比到 20% 反而才是正常的，因为异常点本来就是"稀疏"的一批东西。这个表的意义在于给你一个快速判断的锚点，而不是当作标准答案。

还有一点值得强调：DBSCAN 不会把噪声点强行塞进某个簇。这看起来是个缺陷，实际上是它最有价值的特性之一。欺诈检测、设备故障识别、数据清洗这些场景里，那些"哪儿都不属于"的点恰恰是最该被单独拎出来的样本。

2. 从邻域查询到标签扩散：DBSCAN 的运行链路

2.1 eps 邻域和 minPts 在代码里长什么样

理解算法最直接的办法是看它每一步在算什么。下面这段伪代码把 DBSCAN 的主干逻辑还原出来了，比任何公式都清楚：

# 伪代码：DBSCAN 主干逻辑 def dbscan(X, eps, minPts): labels = [-1] * len(X) # -1 表示未访问，先统一占位 cluster_id = 0 for i in range(len(X)): if labels[i] != -1: # 已被访问过的点跳过 continue neighbors = region_query(X, i, eps) # 半径 eps 内的所有下标 if len(neighbors) < minPts: labels[i] = -2 # 暂标为噪声，后续可能被边界点“救回” continue # i 是核心点，开一个新簇，做 BFS 扩散 labels[i] = cluster_id seed_set = list(neighbors) while seed_set: j = seed_set.pop() if labels[j] == -2: # 之前被判为噪声，现在归属到本簇 labels[j] = cluster_id if labels[j] != -1: # 已处理过 continue labels[j] = cluster_id sub_neighbors = region_query(X, j, eps) if len(sub_neighbors) >= minPts: # j 也是核心点，继续扩散 seed_set.extend(sub_neighbors) cluster_id += 1 return labels

region_query这一步是性能瓶颈所在。如果暴力遍历所有点算距离，复杂度是 O(n²)，十万条数据就是一百亿次距离计算，纯 Python 跑起来基本等于死机。sklearn 内部会用 KD-Tree 或 Ball-Tree 加速，把邻域查询降到接近 O(n log n)，但这两个结构在维度超过 20 左右时加速效果会急剧衰减，最终还是退化成暴力搜索。

2.2 主循环的每一步在干什么

把上面那段代码拆开看，有几个设计值得单独说。

外层循环从前往后扫每个点，遇到"未访问"的点才处理。这里用 -1 表示未访问、-2 表示暂定噪声、非负整数表示簇编号，这个三态编码是整个算法的关键技巧。为什么需要"暂定噪声"这个中间态？因为一个点在被扫描到时如果邻域不达标，它可能是真噪声，也可能是某个尚未被发现的簇的边界点。如果直接标死成噪声，后面就再也救不回来了。

内层是个广度优先扩散：拿到一个核心点的邻域后，逐个检查邻居，如果邻居本身也是核心点，就把它的邻域也塞进待处理队列。这个传播过程就是"密度可达"的代码实现——通过一条条核心点接力的链子，把整个密度连通区域涂成同一个颜色。

有个细节很多人没注意：扩散只在核心点上继续。边界点会被打上簇标签，但算法不会去扩展它的邻居。这正是前面说的"直接密度可达是单向的"——边界点可以被核心点"够到"，但它自己没法再往外"够"别人。如果你在实现时把边界点也当作扩散节点，簇会像墨水滴在宣纸上一样蔓延，最后可能把整个数据集吞成一个簇。

2.3 边界点的归属：一个被忽略的实现分歧

原始论文对边界点的定义留了一个模糊地带：DBSCAN 本身并不保证每个点有唯一归属。一个边界点如果同时落在两个不同簇的核心点邻域里，两个簇都能声称拥有它。原始算法采用的是"先到先得"——哪个簇先扩散到它，它就归哪个簇。

sklearn 的实现更保守一些：在dbscan_inner里，如果一个点已经被分配到某个簇，后续的扩展不会重复覆盖。这意味着最终的簇标签会受点输入顺序影响，尤其是在簇与簇之间只隔着一层薄薄的非核心点带时。

这个差异在实际项目里会造成麻烦。我曾经处理过一份门店客流数据，同一份数据两次运行（中间因为重新导出 CSV 打乱了行序）得到的聚类数量差了 3 个，几个边缘门店在两次结果里归属不同。排查了半天才定位到这里。如果你的业务对结果稳定性有要求，稳妥的做法是：数据先按某个稳定键排序，再做聚类；或者干脆用 HDBSCAN 这类会明确处理边界归属的变体。

3. eps 和 minPts 的定参方法：k 距离曲线的完整操作

3.1 minPts 的经验取值与维度修正

minPts 的意义是"多密才算密"，物理含义比较直观，它决定了簇的最小规模。取值有个经典下限：minPts ≥ 特征维度 D + 1，因为少于这个数，很多角度上的邻域都构不成有效覆盖。实践中常用的是minPts = 2 × D，或者干脆固定成 4、5、8 这类小整数。

我的习惯分两种情况。数据量小于一万、维度在十以内，minPts 取 4 到 8 之间，先跑一版看噪声比例，再微调。数据量大（十万以上）且维度较高，取 2 × D 作为起点，然后按噪声比例调整。有个粗糙的经验公式：minPts ≈ ln(n)，n 是样本量，这个数值在很多论文的实验里表现稳定，可以作为一个初始锚点。

需要提醒的是，minPts 调大的副作用非常直接：小簇会被整片吞成噪声。如果你的业务场景里"小群体"是有价值的（比如几个异常账号的协同行为），minPts 千万不能设大，宁可允许出现误报，也别把真正的信号点全标成 -1。

3.2 手把手画 k 距离曲线找拐点

eps 的确定比 minPts 更讲究，因为它直接决定邻域半径的大小，稍微偏一点结果就天差地别。业界最通用的方法是k 距离曲线，操作如下。

对每个样本点，计算它到第 k 个最近邻的距离（k 就是你要设的 minPts），把所有这些距离排序后画折线。这条曲线通常在某个位置出现明显的"膝盖"——前面都很平，后面陡然上升。这个拐点对应的距离值就是推荐的 eps。

import numpy as np from sklearn.neighbors import NearestNeighbors import matplotlib.pyplot as plt def plot_k_distance(X, k=5): # 只用 k 近邻，不用 k+1，因为 sklearn 会把点自身算作第 1 个邻居 nn = NearestNeighbors(n_neighbors=k).fit(X) distances, _ = nn.kneighbors(X) k_dist = np.sort(distances[:, -1]) # 到第 k 个邻居的距离，升序排列 plt.plot(k_dist) plt.xlabel("样本序号（按距离排序）") plt.ylabel(f"到第 {k} 个最近邻的距离") plt.grid(alpha=0.3) plt.show() return k_dist # 拐点位置可以用二阶差分粗略定位 def find_knee(k_dist): d2 = np.diff(k_dist, n=2) # 二阶差分 knee_idx = int(np.argmax(d2)) + 1 return k_dist[knee_idx]

find_knee这个函数只是给个参考位，实际读图比它准得多。因为真实数据的曲线往往有多个拐点，或者根本没有锐利的拐角，只有一段缓慢过渡的弧。这时候我会把候选区间两端都试一遍，各跑一次聚类，看哪个结果更符合业务直觉——参数选择不完全是数学问题，业务先验往往比曲线更可靠。

顺带提一个实操细节：NearestNeighbors的n_neighbors参数是包含点自身的，所以想算"到第 k 个邻居的距离"，n_neighbors 要传 k，然后取distances[:, -1]。如果你照着某些老代码传 k+1，算出来的其实是第 k+1 个邻居的距离，eps 会系统性偏大。我就因为这个细节白调了一个下午。

3.3 参数轻微变动带来的结果漂移实测

下面这张表是我在一份约 1.2 万条的选址数据上做的参数敏感性测试，用的是同一份标准化后的二维特征，只改 eps 和 minPts：

从这张表能看出两件事。eps 的影响是非线性的，从 0.45 涨到 0.60，簇数量直接砍半，中间没有平缓过渡带；minPts 主要影响噪声比例，对簇的骨架形状影响反而次要。所以调参的顺序应该是先定 eps，再微调 minPts，反过来做会让你永远在追着跑。

还有个大坑：参数没有跨数据集的迁移性。同一套业务，换个季度的数据，特征分布变了，之前调好的 eps 就得重来。我在项目里给 DBSCAN 配了一个固定的参数搜索脚本，每次新数据进来先自动扫一遍 eps 区间，输出候选参数和对应指标，再由人确认。纯靠人工记忆参数，迟早要出事故。

4. 距离度量、特征尺度与高维数据的三重门

4.1 标准化不是可选项而是前提

DBSCAN 依赖距离，距离就必然受量纲影响。一个特征是年收入（几万到几百万），另一个是年龄（二十到七十），欧氏距离里收入维度会彻底压过年龄维度，聚出来的结果基本只看钱。这不是 DBSCAN 独有的问题，但因为它的 eps 是个绝对阈值，量纲问题会被放大成"要么全是一个簇，要么全是噪声"的极端结果。

标准做法是做 Z-score 标准化或者 Min-Max 归一化。选哪个看数据分布：特征近似正态、没有极端离群值时用 Z-score；特征有明确的上下界（比如百分比、评分）用 Min-Max 更合适。我个人的偏好是Robust Scaler（用中位数和四分位距缩放），因为它在有异常值的情况下更稳，而做聚类时数据里往往本来就藏着异常点。

提示：标准化必须在划分训练/推理数据之前确定参数，把 scaler 的均值方差存下来，否则线上推理时用不同的缩放参数，会导致新样本的 eps 邻域判断完全失真。

有一类特殊情况要单独处理：类别型特征。DBSCAN 本身要求距离空间，类别特征硬编码成 0/1 会引入虚假的距离关系。我一般两种处理方式：特征少的时候手工构造相似度，转成距离矩阵后用metric='precomputed'传入；特征多的时候用嵌入向量替代原始类别，再做标准化。

4.2 距离度量的选择与预计算距离矩阵

sklearn 的 DBSCAN 支持metric参数，常用的有euclidean、manhattan、cosine、haversine。选哪个取决于数据的几何性质。

地理坐标必须用haversine，把经纬度当平面坐标算欧氏距离，在高纬度地区会严重变形。文本向量用cosine，因为向量长度通常反映的是文档长度而不是语义强度。只有特征数量维度可比、各维度物理意义接近时，欧氏距离才合理。

如果距离计算本身就复杂（比如需要走图的最短路径、或者有自定义的业务相似度），可以用metric='precomputed'直接传一个 n×n 的距离矩阵。但这么做的内存代价很实在：十万条数据就是一百亿个浮点数，按 float32 算也要 40GB。所以预计算只适用于几千到一万条量级的数据。

from sklearn.cluster import DBSCAN import numpy as np # 自定义距离矩阵的用法 dist_matrix = my_custom_distance(X) # 返回 n×n 的对称矩阵，对角线为 0 model = DBSCAN(eps=0.35, min_samples=5, metric="precomputed") labels = model.fit_predict(dist_matrix)

注意metric='precomputed'时 eps 的语义没变，还是那个半径阈值，只是现在阈值比较的对象换成了你自定义的距离值。所以自定义距离的尺度必须和 eps 匹配，很多人在这里翻车——自定义距离取值范围是 0 到 100，却还沿用之前 0.3 的 eps，结果所有点都成了噪声。

4.3 高维距离集中现象与降维配合

维度一高，欧氏距离会失效，这件事有个专门的名字叫距离集中（distance concentration）。随着维度增加，任意两点之间距离的相对差异会越来越小，最近邻和最远邻的距离比值趋近于 1。此时 eps 这个阈值无论怎么设，都无法把"近"和"远"区分开，聚类结果基本等同于随机划分。

实用的应对策略有三条。第一条是先降维再聚类，PCA 保留 85%–95% 方差，或者用 UMAP/t-SNE 降到 2–10 维。我个人更倾向 PCA，因为它是线性变换、可解释、可逆，出问题时能回溯每个主成分对应哪些原始特征；UMAP 保住了局部结构但会破坏全局距离，聚出来的簇很难映射回业务含义。

第二条是做特征筛选，把相关性高的冗余特征去掉。DBSCAN 对无关特征非常敏感，一个纯噪声维度就能把 eps 的判定搅乱。我的做法是先算每个特征和"业务目标"的互信息或者方差膨胀因子，砍掉明显无效的维度，通常能从几十维压到十维以内。

第三条是换算法，如果维度实在降不下来，DBSCAN 就不该是首选。子空间聚类（subspace clustering）或者基于图的聚类方法在高维场景下更靠谱，代价是复杂度和调参成本都上去了。我一般会先试着把维度压到 15 以下，压不下去就换路线，不在 DBSCAN 上死磕。

5. sklearn 实战：可复现的代码骨架与评估

5.1 最小可运行版本

下面是一个完整的可运行例子，从造数据、标准化、调参到可视化一次走完，你可以直接复制跑通然后再替换成自己的数据：

import numpy as np from sklearn.datasets import make_moons, make_blobs from sklearn.preprocessing import StandardScaler from sklearn.cluster import DBSCAN from sklearn.metrics import silhouette_score import matplotlib.pyplot as plt # 1. 造一份带噪声的双月数据，K-means 在这份数据上会失效 X, y_true = make_moons(n_samples=800, noise=0.06, random_state=42) # 2. 标准化：DBSCAN 的必备前置步骤 X_scaled = StandardScaler().fit_transform(X) # 3. 聚类 model = DBSCAN(eps=0.25, min_samples=5, metric="euclidean") labels = model.fit_predict(X_scaled) # 4. 基本统计 n_clusters = len(set(labels)) - (1 if -1 in labels else 0) n_noise = list(labels).count(-1) print(f"簇数量: {n_clusters}, 噪声点: {n_noise} ({n_noise/len(labels):.1%})") # 5. 可视化 plt.figure(figsize=(7, 5)) unique_labels = set(labels) colors = plt.cm.Spectral(np.linspace(0, 1, len(unique_labels))) for k, col in zip(unique_labels, colors): mask = labels == k if k == -1: col = (0.4, 0.4, 0.4, 1.0) # 噪声统一用灰色 plt.scatter(X_scaled[mask, 0], X_scaled[mask, 1], c=[col], s=12, label=f"簇 {k}") plt.legend() plt.title("DBSCAN 在双月数据上的结果") plt.show()

跑出来你会看到两个弯月被干净地分开了，噪声点散落在月牙端点附近。把同样的数据丢给 K-means（k=2），它会把两个月亮各切一半，形成上下两条完全不符合几何直觉的划分。

这段代码里最关键的一行其实是标准化。如果你把StandardScaler去掉直接跑，双月数据本身在两个维度上的量纲差不多，结果可能变化不大；但换成真实业务数据，量纲差异会让 eps 的选择变成碰运气。

5.2 结果评估：没有标签时怎么看聚类好坏

DBSCAN 最大的尴尬是：它告诉你哪些点不属于任何簇，但没告诉你分得好不好。标准评估指标大多假设每个样本都属于某个簇，直接套用会被噪声点干扰。

轮廓系数（silhouette_score）是最常用的，但它默认所有点都有标签，噪声点参与计算会把分数拉低。稳妥的做法是只在非噪声点上计算：

from sklearn.metrics import silhouette_score, davies_bouldin_score, calinski_harabasz_score mask = labels != -1 if len(set(labels[mask])) > 1 and mask.sum() > 1: sil = silhouette_score(X_scaled[mask], labels[mask]) dbi = davies_bouldin_score(X_scaled[mask], labels[mask]) chi = calinski_harabasz_score(X_scaled[mask], labels[mask]) print(f"轮廓系数: {sil:.3f} DB指数: {dbi:.3f} CH指数: {chi:.1f}")

这三个指标的判读方向不同：轮廓系数越接近 1 越好，DB 指数越小越好，CH 指数越大越好。但要知道它们的局限——轮廓系数偏好凸形、分离良好的簇，对长条形、环形的簇会给出偏低的分数，而 DBSCAN 恰恰擅长这种形状。所以我在选参数时不会死盯指标，而是把指标和噪声比例、簇数量的业务合理性放在一起权衡。

如果手上恰好有真实标签（比如历史标注的用户分层结果），那就用 **ARI（调整兰德指数）**或NMI（标准化互信息），这两个指标不要求簇的数量一致，也不要求标签编号对应，比较适合评估无监督结果和已知分组的吻合程度。

5.3 数据量变大后的四种替代路线

原生 DBSCAN 在十万级样本上还能勉强跑，百万级就基本没有实用价值了，因为邻域查询和内存占用都会爆掉。工程上我通常会根据数据规模走下面几条路线。

第一条是OPTICS，它不强制你一次定死 eps，而是输出一个可达距离排序（reachability plot），让 eps 从曲线上"读"出来。它的缺点是计算量比 DBSCAN 更大，适合数据量中等、但对参数不确定的场景，可以先用它探明 eps 的大致范围，再拿这个值去跑 DBSCAN。

第二条是HDBSCAN，它把 DBSCAN 扩展成基于层次密度的版本，能自动产出不同密度的簇，不需要手调 eps，只需要给个最小簇规模。在很多真实数据上，它比 DBSCAN 开箱即用的效果好得多，尤其是数据里混着密度差异很大的几组时。代价是它基于最小生成树，内存消耗随样本数线性增长，百万级数据需要用它的近似版本。

第三条是空间索引加速。sklearn 的algorithm参数可以指定ball_tree、kd_tree、brute。低维数据（比如经纬度二维）用 KD-Tree 能带来一个数量级的加速。但要注意，这个加速是有限度的，一旦维度上去就会自动退化，别指望它能解决所有规模问题。

第四条是网格化或采样。把空间切成网格，每个网格先做一次密度统计，合并明显是核心区的网格，只在网格边界上做精细计算。这种方式损失了一定精度，但能把计算量降一到两个数量级，适合做初步的探索性分析。另一条路是先分层采样，在小样本上调出参数，再拿参数分批处理全量数据，最后做标签合并——这条路我在实际项目里用得最多，因为实现成本最低。

6. 踩坑清单：DBSCAN 结果是噪声还是算法没调对

6.1 全是 -1：噪声比例异常排查

新手跑 DBSCAN 最常遇到的场景是labels里全是 -1，一个簇都没聚出来。这种情况几乎百分百是参数问题，按下面的顺序排查基本能定位：

还有一种隐蔽的情况：数据里本身就有大量重复点或者近重复点，标准化的方差为 0，scaler 会除以 0 或者把该维度压成常量，导致距离计算异常。跑之前先做一次df.describe()，把方差为 0 的列删掉，能省掉不少排查时间。

反过来，如果噪声比例极低（低于 1%）几乎为零，同时簇数量很少（比如只有 1 个簇），那说明 eps 太大，所有点都连成一片了。这时候把 eps 往下砍 30% 到 50%，重新看结果。

6.2 簇编号不稳定带来的合并麻烦

DBSCAN 输出的簇编号是从 0 开始按发现顺序递增的，没有任何业务含义。每次换数据、换参数、甚至换行序，同一个业务群体的编号都可能变。如果你的下游流程依赖簇编号做映射（比如把簇 0 对应到"高价值用户"），那迟早会因为编号漂移出一堆脏数据。

我的处理方式是：聚类完成后立刻算每个簇的画像（簇内各特征的均值、中位数、样本数），存成一张表，用画像特征做后续的簇匹配，而不是用编号。这样即使编号变了，画像特征基本稳定，匹配逻辑不会崩。

另一个常见问题是簇数量在不同批次间跳动。我做过的应对方案是固定两个东西：固定标准化参数（用历史数据算出的均值和方差，不做每批次重新拟合），固定 eps 和 minPts。这样至少能保证同一个时间窗口内的结果可比。但要说彻底解决，其实做不到——DBSCAN 本质上是探索性工具，不适合直接当成线上稳定产出，线上分群我一般还是用聚类结果训练一个监督分类器，用分类器来做推理。

6.3 增量场景与生产环境的落地限制

DBSCAN 有个根本性的限制：它不是增量算法。新来一个样本，你没法只根据它和已有簇的关系判断归属，因为它的加入可能改变整个密度连通结构，导致簇的拆分或合并。这意味着每天新增数据都要重跑全量，数据量一大就撑不住。

现实的工程解法通常是"分频"处理：每周或每月全量重跑一次 DBSCAN，得到稳定的簇划分；日常增量走一个基于距离的简化规则——新样本到某个簇的最近核心点距离小于 eps 就归入该簇，否则标记为待定。待定样本积累到一定量再触发一次全量重算。这套方案不完美，但在我接触的几个场景里运行得比较稳。

注意：用"最近核心点距离"做增量判断时，一定要保存核心点列表（model.core_sample_indices_），不要只保存簇标签，否则线上根本没法做判断。这个列表是 DBSCAN 除了标签之外最有价值的输出。

6.4 一个不太显眼但很关键的经验

有件事我摸索了好几年才形成习惯：DBSCAN 的结果一定要可视化。如果特征只有两三个，直接画散点图；特征多了，用 PCA 降到 2D 或者 UMAP 画出来，噪声点用灰色，各个簇用不同颜色。很多参数问题在图上是一眼可见的——比如某个簇像一条细长的丝带把两个大簇连在一起，这就是典型的 eps 偏大导致的桥接，调小一点立刻改善。

还有个小技巧，我经常在聚类前先跑一次去重。业务数据的重复率往往高得惊人，表里同一个坐标、同一组参数组合出现几十次是常事。重复点会让局部密度虚高，把本来不够密的区域判成核心区。用drop_duplicates()去重之后再做密度计算，簇的形状会干净很多，然后再把去重前的权重回填回去，按簇标签聚合统计即可。

我个人在实际操作中的体会是，DBSCAN 更像一把需要手感的刀，而不是一按就出结果的黑盒。它的原理其实半小时就能讲完，真正耗时间的是理解你的数据密度分布成什么样、eps 到底该定在哪个位置、噪声比例多少算合理。参数选对了，它能处理 K-means 完全无能为力的复杂形状，还能顺手帮你把异常样本挑出来；参数选错了，它给你一堆 -1 或者一个吞掉全量的巨簇，然后你盯着结果怀疑是不是代码写错了。我自己的做法是每次新数据进项目，先花二十分钟画 k 距离曲线、试三组参数、看一眼散点图，这个成本远比后面返工低得多。这一系列下一篇大概会接着聊层次聚类，那种"从每个点各自成簇一路合并上去"的思路，和密度聚类又是完全不同的世界观，两相对照着看，对聚类这件事的理解会立体很多。