DBSCAN（Density-Based Spatial Clustering of Applications with Noise，基于密度的带噪声空间聚类）是一种聚类算法：它不要求你事先指定要分成几类，而是根据数据点的疏密程度自动把稠密区域划成簇，并把落在稀疏区域的点标成噪声。
它的原理可以用一个生活场景来理解。想象一场露天派对，人群三三两两聚在一起。算法先看每个人周围一定半径内有没有足够多的同伴——这个半径叫 eps，最小同伴数叫 minPts。如果某人周围够热闹，他就是核心点；如果他自己周围不够热闹，但站在某个核心点的圈子里，他就是边界点；如果既不够热闹，又没沾上任何核心点，那他就是噪声点，相当于独自站在角落里的人。接下来，从每个核心点出发，不断把“密度可达”的点拉进同一个簇，最终形成一个个簇。这个过程会自然长出弯曲的、长条形的簇，而不只是圆球。
它和常见聚类方法的关键区别可以这样看：
| 维度 | K-means | 层次聚类 | DBSCAN |
|---|---|---|---|
| 是否预设簇数 | 需要 | 通常需要或事后切树 | 不需要 |
| 簇形状 | 偏向球形、大小接近 | 取决于距离定义 | 任意形状 |
| 噪声处理 | 对离群点敏感 | 一般 | 显式标为噪声 |
| 密度差异 | 不直接处理 | 不直接处理 | 差异过大时效果下降 |
K-means 更像先规定“分成几组”，再让每组围绕中心点抱团；DBSCAN 则像先看哪里人多，哪里自然成团。这也是它常被拿来做异常检测的原因：那些不属于任何簇的点，往往就是可疑对象。
对从业者来说，DBSCAN 很适合地理位置聚类、轨迹热点发现、设备传感器异常检测、日志离群分析、用户行为分群等场景。比如外卖平台可以把订单聚成配送热区，把零散订单识别为长尾需求；运维可以把突然偏离正常模式的指标点标成噪声，提前排查故障。对普通职场人来说，它的价值在于提供一种“不预设答案”的视角：先让数据自己呈现聚集结构，再解释哪些是主流、哪些是异常。
使用时要注意，eps 和 minPts 对结果影响很大，距离度量也要结合业务含义选择；数据量纲不同时通常需要先做标准化。高维数据下密度会变得稀疏，往往先降维再聚类。若不同簇的密度差异很大，DBSCAN 可能顾此失彼，可以考虑 OPTICS 等改进思路。具体参数名和默认值以所用工具库的官方文档为准。