本文，就像本系列的其他文章一样。旨在通过阅读原论文+手写代码的方式，自己先把算法搞明白，然后再教其他人。手写代码除了可以验证自己是否搞明白以外，我会对中间过程做图。这样，我可以通过图直观的验证算法是否正确。而这些图，又成为写文章时候的很好的素材。
什么是 DBSCAN
DBSCAN，全称是 Density-Based Scan。 故名思意，就是通过密度扫描。DBSCAN是一种聚类算法，和KMeans相比，他不需要指定cluster的数量。他的主要参数有两个，半径和邻居的数量。Scikit-Learn中，半径用ϵ \epsilon ϵ(epsilon)表示，邻居的数量用min-samples表示。我们这里也借用sklearn的表示方式。这样大家使用sklearn的时候不会搞混。
当然，除了sklearn，在weka，R，elki等库里，也有DBSCAN的实现。他在教科书里也经常被提及，并有很多成功的实际运用。许多基于密度的聚类算法，也都受了DBSCAN的启发。实践证明改算法是有效的，并在2014年获得了SIGKDD的test-of-time大奖。
和KMeans比较
为什么有了KMeans，还要有DBSCAN，肯定是KMeans有解决不了的问题。
比如，我们画两个月亮。
```python
import numpy as np
from matplotlib import pyplot as plt
from matplotlib.patches import Circle
from sklearn.cluster import DBSCAN, KMeans
from sklearn.datasets import make_moons