1. 自己编写 DBSCAN 代码。
2. 运行代码。
3. 请注意，您的代码可能会比库代码慢很多。

正如@Anony-Mousse 指出的那样，在 DBSCAN 上，经常使用索引结构来减少执行时间。Kd-trees 就是一个例子，但是这个只在小维度上运行良好。

您对减速有正确的直觉，从所有点到一个点的每个距离的计算都是 O(n) 时间复杂度，但应用于每个点它变成 O(n ² )，这是我们希望在重要的点集上避免的事情.

此外，您可能会重新考虑您的聚类方法，因为众所周知，DBSCAN 可以很好地处理小维度数据集，因为超球体积会随着维度的增加而快速减少。

继续尝试自己实现算法，这是最好的学习方式，即使现有的成熟库通常做得更好但也更难理解，一步一步你将能够编写更好的算法并为开源库做出贡献。

这也取决于数据的传播。当我有 0-1 之间的数据时，它运行良好。当我尝试对内部的一些数据进行阈值处理时，我有许多值非常小的样本。它开始慢慢工作。