在Scikit-learn中，可以使用DBSCAN類來實現DBSCAN聚類。下面是一個簡單的示例代碼：
from sklearn.cluster import DBSCAN
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt
# 創建一些隨機數據
X, _ = make_blobs(n_samples=1000, centers=3, cluster_std=1.0)
# 使用DBSCAN進行聚類
dbscan = DBSCAN(eps=0.5, min_samples=5)
clusters = dbscan.fit_predict(X)
# 可視化聚類結果
plt.scatter(X[:, 0], X[:, 1], c=clusters, cmap='viridis')
plt.show()
在上面的代碼中，我們首先創建了一些隨機數據，然后使用DBSCAN類進行聚類。在實例化DBSCAN對象時，可以指定eps參數和min_samples參數來控制聚類的敏感度和樣本數。最后，我們使用matplotlib庫將聚類結果可視化出來。
