我目前有一个带有3D坐标的列表，我希望按密度聚类成未知数量的聚类。除此之外，我想按人口和距质心的距离对群集进行评分。我还希望能够设置与某个质心的最大可能距离。理想情况下，质心代表数据集的一个点，但并非绝对必要。我想这样做的列表范围从大约100到10000 3D坐标。
例如，假设我有一个点[x，y，z]可能是我的质心：最接近x，y，z的点应该对其得分贡献最大（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（https://www.wolframalpha.com/input/?i=(1+%2B+exp(4(-1.0%2Bx))) ** + - 1）
由于此功能从未达到0，因此需要设置最大距离，例如， 2个距离单位，用于设置群集的限制。
我想这样做直到不再能够制作簇，我只对质心感兴趣，因此它最好是一个真正的数据点，而不是插值的，它还有其他属性连接到它。
我已经尝试过sklearn的DBSCAN，它比我的代码快了几个数量级，但它显然没有完成我想做的事情
目前我只计算相对于所有其他点的每个点的接近度，并且通过与其邻居的数量和距离（使用上面讨论的相同评分函数）对每个点进行评分，然后我获得最高得分点并移除所有其他点，得分较低，在一定截止距离内的点数。它完成工作并且准确，但速度太慢。
我希望我可以对自己想做的事情有所了解。
使用sklearn的邻居搜索功能快速查找最大距离2内的点。只有一次计算逻辑权重一次才能执行此操作。
然后使用这个预先计算的数据来完成其余的工作？