我有对象和距离函数，并希望使用Scikit-学习中的DBSCAN方法来聚类这些。我的对象在欧几里德空间中没有表示。我知道，可以使用预计算的度量，但在我的情况下，由于距离矩阵的大小很大，这是非常不切实际的。有没有什么方法可以在Scikit-学中克服这个问题？也许，还有其他DBSCAN的python实现可以这样做吗？
scikit learn支持多种指标。
其中一些可以使用kdtree（非常快）、ball tree（快速）、使用预计算的距离矩阵（快速，但需要大量内存）或不进行预计算而使用Cython实现（二次运行时）甚至python回调（非常慢）来加速。
这最后一个选项是实现，但非常缓慢：
def mydistance(x,y):
return numpy.sum((x-y)**2)
labels = DBSCAN(eps=eps, min_samples=minpts, metric=mydistance).fit_predict(X)
不幸的是，它比
labels = DBSCAN(eps=eps, min_samples=minpts, metric='euclidean').fit_predict(X)
我发现当您需要使用自己的距离函数时，ELKI的性能要好得多。Java可以使用热点JNI编译器将它们编译成接近本机的代码速度。Python（目前）无法做到这一点。
