如下程序是DBSCAN算法的一个实例，程序分别实现了将数据点聚为三类的情况,分别以三种不同颜色和标记表示，其中，较大的数据点为核心对象，较小的数据点为非核心对象，黑色X状点为噪声点。
# 密度聚类模型
import numpy as np
from sklearn.cluster import DBSCAN
from sklearn import metrics
from sklearn.datasets.samples_generator import make_blobs
from sklearn.preprocessing import StandardScaler
#以下三行为图中标题中文显示问题的解决方案
from pylab import mpl
# 指定默认字体
mpl.rcParams['font.sans-serif'] = ['FangSong']
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']
# 解决保存图像是负号'-'显示
mpl.rcParams['axes.unicode_minus'] = False
# 获取make_blobs数据
centers = [[1, 1], [-1, -1], [-1, 1]]
X, labels_true = make_blobs(n_samples=1000, centers=centers, cluster_std=0.4,random_state=0)
# 数据预处理
X = StandardScaler().fit_transform(X)
# 执行DBSCAN算法，eps越小，类别数越多，min_samples越大，类别数越多。
db = DBSCAN(eps=0.3, min_samples=30).fit(X)
core_samples_mask = np.zeros_like(db.labels_, dtype=bool)
# 标记核心对象,后面作图需要用到
core_samples_mask[db.core_sample_indices_] = True
# 算法得出的聚类标签,-1代表样本点是噪声点,其余值表示样本点所属的类
labels = db.labels_
# 获取聚类数量
n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)
# 输出算法性能的信息，仍用轮廓系数计算
print("Silhouette Coefficient: %0.3f"% metrics.silhouette_score(X, labels))
# 绘图
import matplotlib.pyplot as plt
# 黑色用作标记噪声点
unique_labels = set(labels)
colors = plt.cm.Spectral(np.linspace(0, 1, len(unique_labels)))
i = -1
# 标记样式,x点表示噪声点
marker = ['v','^','o','x']
for k, col in zip(unique_labels, colors):
if k == -1:
# 黑色表示标记噪声点.
col = 'k'
class_member_mask = (labels == k)
i += 1
if (i>=len(unique_labels)):
i = 0
# 绘制核心对象
xy = X[class_member_mask & core_samples_mask]
plt.plot(xy[:, 0], xy[:, 1], marker[i], markerfacecolor=col,
markeredgecolor='k', markersize=14)
# 绘制非核心对象
xy = X[class_member_mask & ~core_samples_mask]
plt.plot(xy[:, 0], xy[:, 1], marker[i], markerfacecolor=col,
markeredgecolor='k', markersize=6)
plt.title('DBSCAN算法聚成的类团数目为: %d' % n_clusters_)
plt.show()
