简介：一份基于 C# 的 DBSCAN 聚类算法 WinForm 示例工程，面向学习聚类算法、从事数据分析、大数据预处理或机器视觉开发的初学者。程序启动后可在界面随机生成散点，并实时执行 DBSCAN 聚类，通过调整邻域半径 Eps、最小样本数 MinPts 等参数直观观察聚类结果变化，非常适合理解密度聚类原理与参数敏感性。散点颜色会随簇动态变化，聚类结果一目了然。压缩包共 37 个文件，大小约 191KB，核心为 7 个 cs 源码文件，另含项目工程配置、可执行程序与调试符号、界面资源、缓存文件等，结构清晰，使用 Visual Studio 可直接编译运行。已有 515 人学习下载。借助该源码可快速掌握 C# 绘制散点图、距离计算与密度连通判定等要点，也可扩展噪声点标记、轮廓系数评估等功能，作为课程设计、算法对比或实际项目参考的起点。
1. 直角坐标系点聚类为什么用 DBSCAN：KMeans 答不上的三个场景
手头有一批直角坐标系下的坐标点，可能是激光雷达扫出来的点云，可能是视觉定位给的一串工件坐标，也可能是上位机从 PLC 里攒下来的位置记录。你要做的不是画点，而是把靠得近的点归成一组——货架上的料位是一组、传送带上的工件是一组。用 C# 写上位机的人遇到这类需求，第一个想到的往往是 KMeans，但 KMeans 要你事先说好分几组，坐标点场景里这个数根本不知道。DBSCAN 聚类算法的价值就在这：它不要求预设簇数，还能把孤立的离群点单独挑出来，天然适合直角坐标系里“按距离就近成团”的问题。这篇按落地顺序讲 C# 实现、参数选择和踩坑点，新手能跟着把代码跑起来，熟手可以直接拿走边界结论。
2. 定义点模型与数据入口：C# 的 Point2D、距离函数和 CSV 读取
DBSCAN 全程只做两件事：算距离、数邻居。所以第一步不是急着写聚类主流程，而是先把“点”这个对象在 C# 里定义好。很多从 Python 转过来的同事习惯用Tuple<double, double>或者直接用两个List<double>存坐标，短数据看不出问题，数据量一上来，维护和调试都难受。C# 是强类型语言，把点封装成结构体，后面的 RegionQuery、ExpandCluster 写起来才干净。
2.1 用 readonly struct 定义 Point2D：为什么不用 class
点坐标在 C# 里用readonly struct而不是class，理由是内存布局和 GC 压力。坐标点数据量动辄几万到几十万，如果用 class，每个点在托管堆上单独分配，GC 要频繁回收；用 struct 且放到List<Point2D>里，内存是连续排布的，遍历时 CPU 缓存命中率比 class 高一个量级。另一个理由是 Point2D 应该不可变——聚类过程中坐标不该被改写，readonly从编译期就堵住这个风险。
public readonly struct Point2D { public double X { get; } public double Y { get; } public Point2D(double x, double y) { X = x; Y = y; } public double DistanceTo(Point2D other) { double dx = X - other.X; double dy = Y - other.Y; return Math.Sqrt(dx * dx + dy * dy); } public override string ToString() { return $"({X:F3}, {Y:F3})"; } }这段代码的要点：readonly struct声明值类型不可变，属性只读，构造时一次性赋值。DistanceTo里没有做参数校验，因为这是热路径，校验会拖慢每一次调用。ToString重载用来打日志和调试输出，格式化保留三位小数，避免一长串浮点数刷屏。如果你处理的是三维点云，在这个结构体里加一个Z属性，DistanceTo里补上dz * dz就行，其余代码不用动。
2.2 欧氏距离与平方距离：邻居查询的性能基础
DBSCAN 的“临近”在直角坐标系里默认指欧氏距离，这类基于欧氏距离的聚类在工业场景里也常被直接叫欧氏聚类。但实现时有个性能细节：比较两个点是否在 eps 范围内，不需要真的开平方。DistanceTo返回真实距离是为了给人看，而 RegionQuery 内部比较的是平方距离，避免Math.Sqrt的开销。几万点规模感觉不明显，几十万点时，少调用一次 Sqrt 能省下可观的时间。
// 邻居判断用平方距离，epsSqr 在进入循环前就算好 double epsSqr = eps * eps; double dx = points[i].X - points[j].X; double dy = points[i].Y - points[j].Y; if (dx * dx + dy * dy <= epsSqr) { // 是邻居 }这个写法在经典 DBSCAN 论文和 sklearn 的实现里都是一致的：半径比较用平方，输出距离才开方。你自己写的时候要留意，不要在每个点上都重新Math.Pow，dx * dx比Math.Pow(dx, 2)快一个数量级，而且没有浮点误差累积的问题。
2.3 从 CSV 读入坐标点：InvariantCulture 与惰性读取
坐标数据最常见的落盘格式是 CSV，两列分别是 x 和 y。读取时有一个 C# 特有的坑：double.Parse默认使用当前线程的 CultureInfo。中文 Windows 系统下，小数点可能是全角字符或逗号规则不同，直接double.Parse("3.14")在某些区域设置下会抛异常或解析出错误的值。我一般统一用CultureInfo.InvariantCulture，强制按英文小数点规则解析。
public static List<Point2D> LoadPoints(string csvPath) { var points = new List<Point2D>(); foreach (var line in File.ReadLines(csvPath)) { if (string.IsNullOrWhiteSpace(line)) continue; var parts = line.Split(','); if (parts.Length < 2) continue; if (double.TryParse(parts[0], NumberStyles.Float, CultureInfo.InvariantCulture, out double x) && double.TryParse(parts[1], NumberStyles.Float, CultureInfo.InvariantCulture, out double y)) { points.Add(new Point2D(x, y)); } } return points; }File.ReadLines是惰性读取，不会一次性把整个文件加载进内存，文件有几十万行时这个差异很明显。Split(',')之后如果行首有空格，TryParse的NumberStyles.Float已经包含了允许前导空格。这里没有处理逗号以外的分隔符，如果你的数据是制表符或分号，把','换掉即可。解析失败的行直接跳过，不中断整个流程，这个策略在处理脏数据时比抛异常实用得多。
数据入口准备好之后，就可以进入 DBSCAN 的核心实现了。
3. 用 C# 实现 DBSCAN 主流程：RegionQuery、ExpandCluster 与噪声标签
DBSCAN 的原理用一句话说就是：以每个点为中心画一个半径为 eps 的圆，圆内点数达到 minPts 的点是核心点，核心点周围能互相 reach 到的点连成同一个簇，孤立的点标为噪声。实现上分成三个函数：RegionQuery 负责查邻居，ExpandCluster 负责把核心点连成簇，主循环负责遍历所有点。这一章直接给出可以编译运行的 C# 代码，并解释每个关键分支为什么这么写。
3.1 DBSCAN 的三类点和两个全局参数：先明确 minPts 含不含自身
动手写代码前，先把概念对齐。一个点只有三种身份：核心点（Core）、边界点（Border）、噪声点（Noise）。核心点指 eps 半径内邻居数大于等于 minPts 的点；边界点指自身不是核心点，但落在某个核心点的 eps 范围内；噪声点是两者都不满足的点。边界点紧贴核心点所在的簇，噪声点哪也不属于。
这里有一个几乎所有初学者都会问的问题：minPts 包不包括自己？包括。RegionQuery 返回的邻居列表里包含查询点自身，所以minPts = 5的实际含义是“包括自己在内至少 5 个点”。如果不包含自身，同样的参数会得到完全不同的聚类结果，而且和 sklearn 的 DBSCAN 对不上，验证结果时会很困惑。
两个全局参数里，eps 是最敏感的。eps 稍微调大一点，本来分开的簇可能就粘连了；eps 稍微调小一点，一个大簇会被拆成碎片。minPts 相对稳定，二维坐标点里我一般从 4 起步，第 4 章会详细讲取值方法。
3.2 RegionQuery：线性扫描与平方距离判断
RegionQuery 的逻辑最简单但也最常被写错。它接收一个点索引，返回该点在 eps 范围内的所有邻居索引列表。注意返回的是索引而不是 Point2D 对象，原因有两点：一是索引可以直接操作labels数组，二是避免值类型 struct 在返回时反复复制。
private static List<int> RegionQuery(List<Point2D> points, int index, double epsSqr) { var neighbors = new List<int> { index }; // 包含自身 for (int j = 0; j < points.Count; j++) { if (j == index) continue; double dx = points[index].X - points[j].X; double dy = points[index].Y - points[j].Y; if (dx * dx + dy * dy <= epsSqr) neighbors.Add(j); } return neighbors; }逻辑说明：初始化时就把index自身加进列表，这是对 3.1 里 minPts 含自身这个约定的代码落实。循环里先跳过自身，避免重复添加。epsSqr作为参数传入而不是每次重新算，是因为它在整个聚类过程中是常量。这个实现的时间复杂度是 O(n)，如果主流程对每个点都调用一次，总复杂度就是 O(n^2)。数据量在一万以内这个写法完全够用，超过十万就得换网格索引，3.5 会给出思路。
3.3 ExpandCluster 用 Queue 代替递归：为什么递归会翻车
ExpandCluster 是从一个核心点出发，沿着邻居关系向外扩展，把整条连通链上的点都归入当前簇。网上很多 C# 示例用的是递归，代码看起来短，但实际跑起来会翻车：一个簇如果包含几千上万个点，递归深度就达到几千层，C# 默认栈空间很快被打爆，抛StackOverflowException且无法捕获。我统一用Queue<int>做广度优先遍历，循环代替递归，性能和安全性都更好。
private static void ExpandCluster( List<Point2D> points, int[] labels, bool[] visited, int seedIndex, List<int> seeds, int clusterId, double epsSqr, int minPts) { labels[seedIndex] = clusterId; var queue = new Queue<int>(seeds); while (queue.Count > 0) { int q = queue.Dequeue(); if (labels[q] == -1) labels[q] = clusterId; // 之前被临时标为噪声，现在吸收为边界点 if (visited[q]) continue; // 已经扩展过，不需要再查邻居 visited[q] = true; List<int> qNeighbors = RegionQuery(points, q, epsSqr); if (qNeighbors.Count < minPts) continue; // q 是边界点，没有扩展能力 // q 是核心点，它的邻居里所有未分类的点都进队列 foreach (int nb in qNeighbors) { if (labels[nb] == 0 || labels[nb] == -1) { labels[nb] = clusterId; queue.Enqueue(nb); } } } }参数说明：seedIndex是触发扩展的核心点，seeds是它的邻居列表。进入循环后先看labels[q] == -1，这个分支覆盖一种常见情况：某个点在主循环里先被标记为噪声，后来发现它位于某个核心点的 eps 范围内，于是被吸收为边界点。visited[q]表示这个点是否已经作为核心点扩展过，扩展过就直接跳过，避免重复调用 RegionQuery。
核心点判断在qNeighbors.Count < minPts这一行：如果邻居数不够，说明 q 只是边界点，它的邻居已经在入队时被处理过，不需要再向外扩展。后面的 foreach 才是真正的“扩展”：把 q 的邻居中未分类的点全部标上当前簇号并入队。注意入队条件包含labels[nb] == -1，这意味着已经被临时标为噪声的点，也会被吸收进簇。
3.4 主循环与标签状态机：0 未分类、-1 噪声、正数簇 ID
主循环遍历所有点，对每个未访问的点做一次核心点判定。为了让代码清晰，我用一个int[] labels表达三种状态：0 表示未分类，-1 表示噪声，正数表示簇 ID。这个状态机的设计贯穿整个算法，调试时在 Watch 窗口看 labels 数组就能快速定位问题。
public static int Run(List<Point2D> points, double eps, int minPts, out int[] labels) { int n = points.Count; labels = new int[n]; bool[] visited = new bool[n]; double epsSqr = eps * eps; int clusterId = 0; for (int i = 0; i < n; i++) { if (visited[i]) continue; visited[i] = true; List<int> neighbors = RegionQuery(points, i, epsSqr); if (neighbors.Count < minPts) { labels[i] = -1; // 先临时标记为噪声 continue; } clusterId++; ExpandCluster(points, labels, visited, i, neighbors, clusterId, epsSqr, minPts); } return clusterId; // 返回簇的数量，方便上层判断是否合理 }流程拆解：visited数组记录“是否已参与过核心点判定”，避免同一个点被反复处理。RegionQuery 返回邻居后，如果数量不足 minPts，先标记为噪声但不立刻排除——因为后面的 ExpandCluster 可能把它吸收为边界点。如果数量足够，簇号加一，进入扩展流程。函数返回簇总数，这个值可以用来做快速合理性判断：如果簇数等于点的数量，说明 eps 太小，几乎每个点都是独立簇。
到这里，一个能跑的 DBSCAN 就完成了。但如果你要处理十万级以上的点，线性 RegionQuery 的 O(n^2) 会让人等到怀疑人生。下面给一个网格索引的简版思路，这也是工业场景里激光雷达点云聚类的常见优化方向。
3.5 超过 10 万点时的网格索引简版：把邻居查询从全表扫描变成局部查找
线性扫描的问题是每个点都要跟所有其他点算距离。一个简单的优化思路是把平面按 eps 边长的网格切分，每个点只可能落在自身所在格子及相邻的 8 个格子里，只需要查这 9 个格子里的点。C# 里可以用Dictionary<long, List<int>>实现，key 是格子的二维坐标编码。
private static long GetCellKey(double x, double y, double eps) { int cx = (int)Math.Floor(x / eps); int cy = (int)Math.Floor(y / eps); return ((long)cx << 32) ^ (cy & 0xFFFFFFFFL); }这个编码把 cx 放进高 32 位，cy 放进低 32 位，合成一个 long 作为字典 key。查询时遍历当前格子周围 9 个格子的 key，只在这几个桶里做距离比较。每个格子里的点数量大致可控，整体复杂度从 O(n^2) 降到接近 O(n)。注意Math.Floor必须用而不是直接取整，因为负坐标下直接(int)(x / eps)会向零取整，导致相邻负半轴的点落错格子。
网格索引不是这一章的主线，如果你的数据量在一万以内，线性扫描完全够用，先跑通再优化。
4. 调参先算后拍：eps 与 minPts 的估算、取值范围和退化测试
DBSCAN 的实现代码本身不难，真正让人头疼的是两个参数。很多人在这一步靠感觉拍：eps 先填个 5，minPts 填个 4，跑出来一塌糊涂，然后开始怀疑算法有 bug。实际上 DBSCAN 的调参是有方法可循的，尤其针对直角坐标系下的坐标点数据，可以通过 k-距离图先估算 eps，再根据数据维度确定 minPts，最后用退化测试验证参数是否在合理区间。
4.1 用 k-距离图先估算 eps：从第 k 近邻距离找拐点
k-距离图是 DBSCAN 论文里给出的经典选参方法。做法是：对每个点，计算它到第 k 近的那个点的距离（k 一般取 minPts 减一），然后把这些距离从小到大排序画成曲线。曲线在某个位置出现明显拐点，拐点对应的距离就是 eps 的参考值。原理是：簇内点的第 k 近邻距离小，簇间点的第 k 近邻距离大，拐点正是两种密度的分界。
public static double[] ComputeKthDistances(List<Point2D> points, int k) { var kthDistances = new double[points.Count]; for (int i = 0; i < points.Count; i++) { var distances = new List<double>(points.Count); for (int j = 0; j < points.Count; j++) { if (i == j) continue; distances.Add(points[i].DistanceTo(points[j])); } distances.Sort(); kthDistances[i] = distances[k - 1]; // 第 k 近，不含自身 } Array.Sort(kthDistances); return kthDistances; }这段代码计算每个点到第 k 近邻居的距离。k的取值与 minPts 对应：如果 minPts = 4，k 取 3，因为 minPts 包含自身，实际要看的是除自己外的第 3 近点。返回的数组排序后可以直接输出成 CSV，在 Excel 里画折线图，找拐点位置。拐点的特征是斜率突然变大：前半段曲线平缓，后半段急剧上升，拐点处的纵坐标就是 eps。
注意这个方法在数据分布均匀、没有明显密度差异时拐点会模糊，此时可以结合业务含义确定 eps。比如激光雷达点云里，同一个物体的点间距通常在某个物理尺度内，这个尺度直接换算成坐标单位就是 eps。
4.2 minPts 的取值范围：二维坐标点从 4 起步
minPts 作为密度阈值，基本原则是越大越不容易产生碎簇，但太大也会把本应分开的簇合并。经验规则是：minPts 至少取维度数加一，常用 2 倍维度。二维坐标点就是至少 3，我一般从 4 起步，最大不超过 10。如果数据里有大量离群点，可以适当调大 minPts，让噪声点更不容易被吸收进簇。
minPts 和 eps 是联动的，不是独立调节。minPts 增大，密度要求变高，同一个 eps 下核心点变少，簇可能收缩或分裂；minPts 减小，核心点变多，簇更容易扩张。所以调参时先定 minPts，再去 k-距离图里找对应的 k 值算 eps，不要来回同时动两个参数，那样永远找不到规律。
我个人的流程是：先按 4 定 minPts，跑一遍 k-距离图得到 eps 初值，聚类一次看结果。如果碎簇太多，minPts 加到 6 或 8，重新算 eps。如果簇粘连严重，eps 调小 20% 再看。每次只动一个参数，记录结果，这是最不玄学的做法。
4.3 直角坐标系下的单位陷阱：像素、毫米与归一化
直角坐标系里的坐标值是有单位的，这直接影响 eps 的含义。同一批点，用像素表示时 x 范围是 0 到 1920，用毫米表示时变成 0 到 500，eps 的绝对值完全不同。更麻烦的是 x 和 y 的单位不一致——视觉系统返回的坐标 x 是毫米、y 是像素，两个维度的尺度差 10 倍，欧氏距离会被数值大的那个维度主导，簇的形状被拉成条状。
处理办法有两个：一是统一单位，把像素换算成物理尺寸；二是做归一化，把每个维度的值都缩放到相同的范围。归一化对 DBSCAN 的影响是改变了距离的物理含义，如果聚类结果只用于分组而不是精确的几何分析，归一化是更稳的选择。我的经验是：坐标点来自同一个传感器且单位一致，优先不归一化，直接用物理单位定 eps，结果可解释性强；多传感器融合的数据，先归一化再聚类，避免某一维主导。
4.4 退化测试：用极端 eps 快速验证参数区间
调参过程中最容易遇到的情况是：代码有 bug，但表现的像是参数没调好。区分这两者的最快办法是退化测试。把 eps 设置成数据集对角线长度的十倍，此时所有点都应该被归入同一个簇；把 eps 设置成所有点之间最小距离的十分之一，此时所有点都应该被标记为噪声。
如果这两种极端情况下的输出不符合预期，说明算法实现有问题，参数怎么调都没用。测试通过后，再回到正常参数区间做细调。这个测试我每次写完聚类代码都会先跑一遍，它相当于给算法本身做了一次冒烟测试。不需要写额外代码，用现成的 Run 方法换 eps 值跑两次就行。
5. C# 里跑 DBSCAN 的避坑指南：递归爆栈到重复点的 5 个教训
这一章是把前面实现里容易踩的坑集中起来，每一条都是实际跑数据时遇到过的问题，按「现象 → 原因 → 解决」的方式记录下来。有些坑在 Python 里不明显，但换成 C# 以后因为语言特性被放大了，值得单独写出来。
5.1 现象：数据量一上去就抛 StackOverflowException，程序直接崩溃
原因：网上很多 C# DBSCAN 示例把 ExpandCluster 写成递归函数。递归深度等于簇的大小，一个簇里有一万个点，递归就有一万层，C# 默认线程栈只有 1MB 左右，几千层就爆了。StackOverflowException 在 .NET 里是没法 try-catch 的，进程会直接终止，连日志都来不及写。
解决：用 Queue + while 循环代替递归，也就是第 3 章 ExpandCluster 的写法。这个修改对正确性没有影响，因为 DBSCAN 的扩展本身是广度优先逻辑，Queue 只是换了一种遍历顺序。改完之后十万点级别的数据再没出现过栈溢出。
5.2 现象：同一位置有多个重复点，聚类结果出现大量碎簇或整个区域变成一个簇
原因：激光雷达或视觉定位在扫描静态物体时，同一个坐标点可能被多次记录。DBSCAN 把距离为 0 的点全部算作邻居，一堆重复点会瞬间满足 minPts，导致它们所在的区域被错误标记为核心区域。反过来，如果重复点恰好落在两个簇的交界处，会把两个本应分开的簇缝合起来。
解决：聚类前先做去重。C# 里可以用HashSet<Point2D>，但需要给 Point2D 实现相等比较。我用更直接的办法：按坐标排序后相邻比较，距离小于一个极小阈值（比如 1e-9）就当作重复点合并。去重后如果还需要知道原始数量，可以在去重时保留每个点的权重，DBSCAN 主流程不感知权重，但输出结果后按权重重新展开。
5.3 现象：簇的形状明显被拉长，沿着坐标轴方向变成长条形
原因：x 和 y 的数值尺度不一致。典型场景是 x 单位是毫米、y 单位是像素，像素值普遍比毫米值大几十倍，欧氏距离几乎完全由 y 方向的差值决定，聚类结果自然偏向 y 轴方向。
解决：先检查两个维度的数值范围，max - min 差异超过一个数量级就做归一化处理。处理完再聚类，然后观察簇形是否恢复为近圆形。注意归一化后的 eps 失去了物理单位含义，此时的 eps 是归一化空间里的距离，和原始坐标的毫米或像素不再直接对应，输出结果时要把归一化后的坐标还原回去再可视化。
5.4 现象：两个明显分开的簇被连成一个簇，怎么调 eps 都分不开
原因：eps 设置得过大，超过了两个簇之间的间隔距离。簇间最小距离是 8，eps 设成 10，两个簇边缘的点就互相成了邻居，桥梁一搭，两个簇就被缝合。调小 eps 能解决，但很多时候是因为偷懒没有做 k-距离图，直接凭经验填了一个偏大的值。
解决：用 4.1 的 ComputeKthDistances 算一遍 k-距离图，找到拐点再设 eps。如果拐点不明显，退回到业务层面判断：两个簇之间的物理间隔大概是多少，这个间隔就是 eps 的上限。设置一个合理的上限值，比如取簇间最小距离的 60%，不是拍脑袋而是有参照的拍。
5.5 现象：minPts 设成 1 或 2，结果几乎每个点都是一个簇
原因：minPts 太小，导致几乎所有点都满足核心点条件，聚类退化成“每个点自带一个邻居圈”，完全失去密度聚类的意义。minPts 是 1 时，RegionQuery 返回的邻居里至少包含自身，必然满足条件，每个点都成为核心点。
解决：minPts 至少取 3，二维坐标点推荐 4 起步。如果业务上确实需要识别非常小的簇，宁可把 eps 调小，也不要让 minPts 小于 3。从统计意义上看，minPts 代表一个簇里至少需要包含多少个点才算有意义，小于 3 的“簇”和噪声没有区别。
6. 验证聚类结果的两个技巧：导出 CSV 和 SVG，不开 IDE 也能看图
聚类跑完之后，第一件事不是分析参数，而是确认结果长什么样。很多上位机环境里没有 Python、没有 matplotlib，System.Drawing 在某些精简版系统上还可能缺少 GDI+ 组件。我习惯用两种免依赖的导出方式验证结果：导出 CSV 给表格工具或外部绘图程序，导出 SVG 用浏览器直接看散点分布。
public static void ExportClustersCsv(string csvPath, List<Point2D> points, int[] labels) { var sb = new StringBuilder(); sb.AppendLine("x,y,cluster"); for (int i = 0; i < points.Count; i++) { sb.Append(points[i].X.ToString("F6", CultureInfo.InvariantCulture)).Append(','); sb.Append(points[i].Y.ToString("F6", CultureInfo.InvariantCulture)).Append(','); sb.AppendLine(labels[i].ToString(CultureInfo.InvariantCulture)); } File.WriteAllText(csvPath, sb.ToString(), Encoding.UTF8); }这个 CSV 里有原始坐标和簇号三列，Excel 可以直接打开，用“插入散点图”按 cluster 列着色。所有数字都用CultureInfo.InvariantCulture格式化，避免系统区域设置把小数点改成逗号导致 Excel 分列出错。文件落盘用 UTF-8 编码，否则 Excel 打开中文路径或内容时会乱码。
看散点图更快的方式是直接生成 SVG，代码量比 CSV 还少，浏览器双击就开：
public static void ExportClustersSvg(string svgPath, List<Point2D> points, int[] labels) { double scale = 10; // 放大倍数，避免点叠在一起看不清 var sb = new StringBuilder(); sb.AppendLine("<svg xmlns='http://www.w3.org/2000/svg' width='800' height='800'>"); for (int i = 0; i < points.Count; i++) { int cluster = labels[i]; string color = cluster <= 0 ? "#cccccc" : $"hsl({(cluster * 47) % 360},70%,50%)"; double cx = points[i].X * scale + 400; double cy = points[i].Y * scale + 400; sb.AppendLine($"<circle cx='{cx:F1}' cy='{cy:F1}' r='2' fill='{color}'/>"); } sb.AppendLine("</svg>"); File.WriteAllText(svgPath, sb.ToString(), Encoding.UTF8); }噪声点统一用灰色，簇点用 HSL 色相按簇号循环着色，最多可以区分不同色相的颜色。加 400 的偏移量是为了把坐标平移到画布中心，避免负坐标跑到画布外。SVG 的好处是零依赖，任何浏览器都能渲染，还能直接截图贴进故障报告里。
我现在的习惯是：拿到一批坐标先跑退化测试确认实现没毛病，导出 CSV 在表格里看一眼簇号是否连续合理，再导出 SVG 检查簇的形状和边界。两步走完，参数问题还是算法问题基本就定位了。希望帮到你。
本文还有配套的精品资源，点击获取
