不要盲目地从互联网上复制代码。

您复制了缩放数据的代码。因此，轴发生了变化。但这不是 DBSCAN，而是您调用 StandardScaler。

了解自己在做什么很重要……你有一个时间轴和一个价值轴。这些是完全不同的，计算欧几里得距离没有任何意义......

您可能想要对此类数据执行的操作是 GDBSCAN。对于广义 DBSCAN，您将定义两个 epsilon 阈值：

1. 一个时间阈值：相隔多少时间步仍然是同一个集群？
2. 价值观的一个门槛：有什么不同的价值观仍然是同一个集群？
3. min_samples应始终至少为 3，否则您不是在做 DBSCAN，而是在做单链路集群。

然后在上面运行 GDBSCAN。

由于 sklearn 没有 GDBSCAN，因此您可以在此处通过缩放和最大范数来模拟，但这有点 hackish。

的输出db_scan.labels_是您作为算法输入提供的每个点的指定聚类值。

你提供了 20 分，所以有 20 个标签。如相关文档中所述，您将看到：

labels_ : array, shape = [n_samples] 给 fit() 的数据集中每个点的聚类标签。嘈杂的样本被赋予标签-1。

因此，您的每个点都被分配到两个集群之一，并且没有标记为噪声的点（接收值为-1）。

解释集群

您的绘图显示原始数据，使用原始值绘制在轴上；只有颜色对分配每个点的集群进行编码。

与许多聚类算法一样，DBSCAN 测量一些 n 维空间中点之间的距离。它使用您提供的参数来确定点是否属于同一组，基于它们之间的距离。

为什么我在 x 轴和 y 轴上都有负刻度？

使用的距离度量并不真正关心点的符号（它们位于轴上的位置），只关心距离。在 DBSCAN 的情况下，它是欧几里得距离。还有其他距离可以传递给metricDBSCAN 算法的参数；这是有效的清单。