DBSCAN算法全称“Density-Based Spatial Clustering of Applications with Noise”，是典型的密度聚类方法。
关于DBSCAN算法的详细介绍，请参考《机器学习（周志华）》9.5密度聚类。
sklearn中已经实现了DBSCAN。关于sklearn中DBSCAN的详细介绍，请查看：
http://scikit-learn.org/stable/modules/generated/sklearn.cluster.DBSCAN.html
调用sklearn中的DBSCAN算法，主要有两个参数需要调整：eps和min_samples。eps参数的意思是ϵ-邻域中两个样本之间的最大距离，min_samples参数的意思是核心对象ϵ-邻域中的最小样本数量。
假定数据集为D={x_1,x_2,⋯,x_m }，DBSCAN算法首先定义了以下几个概念：
DBSCAN基本概念（from 《机器学习（周志华）》9.5密度聚类）
DBSCAN将“由密度可达关系导出的最大密度相连样本集合”定义为“簇”。
DBSCAN算法伪码（from 《机器学习（周志华）》9.5密度聚类）
使用DBSCAN进行聚类的案例如下：
import pandas as pd
import numpy as np
from sklearn.cluster import DBSCAN
# step 1. 输入数据
data = [1457330154,
1457330161,
1457334366,
1457333746,
1457333752,
1457334359,
1457334357,
1457334498,
1457334501,
1457334369,
1457334504,
1457334371,
1457334513,
1457334511,
1457335570,
1457335580,
1457336210,
1457336201]
# step 2. 调用sklearn中的DBSCAN算法对bus_ic进行聚类
dbscan = DBSCAN(eps=10, min_samples=1, n_jobs=-1)
cluster = dbscan.fit_predict(np.array(data).reshape(-1, 1))
# step 3. 整理聚类结果
clustered = pd.DataFrame(list(zip(data, cluster)),
columns=['time', 'cluster'])
clustered.sort_values('cluster', inplace=True)
print(clustered)
time cluster
0 1457330154 0
1 1457330161 0
2 1457334366 1
5 1457334359 1
6 1457334357 1
9 1457334369 1
11 1457334371 1
3 1457333746 2
4 1457333752 2
13 1457334511 3
12 1457334513 3
8 1457334501 3
7 1457334498 3
10 1457334504 3
14 1457335570 4
15 1457335580 4
16 1457336210 5
17 1457336201 5
