DBSCAN，英文全寫爲Density-based spatial clustering of applications with noise ，是在 1996 年由Martin Ester, Hans-Peter Kriegel, Jörg Sander 及 Xiaowei Xu 提出的聚類分析算法， 這個算法是以密度爲本的：給定某空間裏的一個點集合，這算法能把附近的點分成一組（有很多相鄰點的點），並標記出位於低密度區域的局外點（最接近它的點也十分遠）.
k-平均算法（英文：k-means clustering）源於信號處理中的一種向量量化方法，現在則更多地作爲一種聚類分析方法流行於數據挖掘領域。k-平均聚類的目的是：把{\displaystyle n}個點（可以是樣本的一次觀察或一個實例）劃分到k個聚類中，使得每個點都屬於離他最近的均值（此即聚類中心）對應的聚類，以之作爲聚類的標準。這個問題將歸結爲一個把數據空間劃分爲Voronoi cells的問題。
使用DBScan進行聚類計算
使用K-means進行聚類計算
案例分析
dbscan會剔除噪點，k-means會把任何點都歸到了某一個類。
k-means 的中心點不是聚集區域的中心點，而是整個聚類的中心點；DBSCAN 無法找出中心點。
相比 k-means ，DBSCAN 不需要預先聲明聚類數量。
DBSCAN 可以找出任何形狀的聚類，甚至能找出一個聚類，k-means需要指定集類的個數。
要想找出聚集區域並給出準確的中心點，可以使用DBScan分析聚類個數和聚類包含的點，再通過k-means將每個聚類所包含的點計算出中心點。
藍色爲聚類1，黑色爲聚類2，灰色爲噪點。
具體算法的實現代碼網上有很多介紹，可以參考。