Python 寻找一种聚类算法，该算法可以通过围绕质心的密度进行聚类，但具有固定的最大距离截止点

我目前有一个三维坐标的列表，我希望通过密度将其聚类为未知数量的聚类。除此之外，我还想通过人口和到质心的距离对簇进行评分。 我还希望能够设置到某个质心的最大可能距离。理想情况下，质心表示数据集的一个点，但并非绝对必要。我想对大约100到10000个3D坐标的列表执行此操作

例如，假设我有一个点[x，y，z]，它可能是我的质心： 最接近x，y，z的点对其得分的贡献最大（即逻辑评分函数，如y=（1+exp（4*（-1.0+x））**-1，其中x表示到点[x，y，z]的欧几里德距离 （**+-1）

由于此函数从未达到0，因此需要设置最大距离，例如2个距离单位来设置群集的限制

我想这样做，直到没有更多的集群，我只对质心感兴趣，因此它最好是一个真正的数据点，而不是一个插值的，它也有其他属性连接到它

我已经从sklearn尝试过DBSCAN，它比我的代码快几个数量级，但是它显然没有完成我想要做的事情

目前，我只是计算每个点相对于所有其他点的接近度，并根据每个点的数量和到相邻点的距离对每个点进行评分（使用上面讨论的相同评分函数），然后我取得分最高的一个点，并删除在某个截止距离内的所有其他得分较低的点。它完成了任务，而且准确，但速度太慢

---

我希望我能清楚地知道我想做什么。

使用sklearn的邻居搜索功能快速查找最大距离2内的点。只执行一次，只计算一次逻辑权重

那么剩下的部分是否只使用这个预计算的数据