在Python中，可以使用scikit-learn庫來實現DBSCAN算法。下面是一個簡單的DBSCAN算法實現的示例：
from sklearn.cluster import DBSCAN
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt
# 創建一個虛擬數據集
X, y = make_blobs(n_samples=100, centers=3, random_state=0, cluster_std=0.5)
# 使用DBSCAN算法進行聚類
dbscan = DBSCAN(eps=0.5, min_samples=5)
labels = dbscan.fit_predict(X)
# 可視化結果
plt.scatter(X[:, 0], X[:, 1], c=labels)
plt.show()
在上述示例中，使用make_blobs函數創建了一個包含3個聚類的虛擬數據集。然后，創建了一個DBSCAN對象，并使用fit_predict方法對數據進行聚類，得到每個數據點的標簽。最后，使用matplotlib庫繪制了聚類結果的散點圖。
DBSCAN算法的關鍵參數是eps和min_samples。eps控制著鄰域的大小，即在距離小于eps的范圍內被認為是鄰居點。min_samples表示一個核心點所需要的鄰居點的最小數量。
