clustering

用途：在无标签数据中发现隐藏的分组模式，进行聚类、降维与异常检测，适合探索性数据分析与无监督学习任务。

主要能力：

1. 聚类算法：K-Means（球形簇，参数 n_clusters）、DBSCAN（任意形状与噪声，参数 eps、min_samples）、层次聚类（嵌套簇，参数 linkage）、HDBSCAN（变密度，参数 min_cluster_size），均给出示例代码。
2. 寻找最优 K：结合惯性、轮廓系数、Calinski-Harabasz 指标循环评估，以最优轮廓系数确定 K。
3. 降维：PCA（保留全局方差，如 n_components=0.95）、t-SNE（保留局部结构，较慢）、UMAP（兼顾局部与全局，较快）。
4. 异常检测：IsolationForest（contamination 控制比例）与 LocalOutlierFactor（n_neighbors、contamination），输出 -1 表示异常。
5. 聚类验证：提供轮廓系数（越高越好）、Calinski-Harabasz（越高越好）、Davies-Bouldin（越低越好）与簇数量统计。

使用方式：基于 Python 与 scikit-learn，示例先使用 StandardScaler 标准化特征，再调用 KMeans.fit_predict，并用 silhouette_score 评估；还包含算法对比、肘部法练习与 pytest 单元测试模板。

适用场景：客户分群、模式发现、数据降维可视化、异常点识别等无监督学习场景。

限制与提醒：聚类前应始终标准化特征；K-Means 不适用于非球形簇；t-SNE 不用于新点投影；不能假定首次结果最优；内存不足时可用 MiniBatchKMeans 替代。版本 1.4.0，状态生产可用。文档未提供安装、收费或平台信息。