Помогите решить задачу кластеризации. Есть набор точек рандомно разбросанных по городу. Нужно их кластеризовать таким образом, чтобы ограничить величину кластера площадью или расстоянием до центра кластера.
DBSCAN и knn такого не дают

Эээ в том же питоне целая толпа библиотек и в них методов кластеризации для векторов. На сколько я помню основное различие: известно заранее количество кластеров или нет. Вам конкретные методы?

2.3. Clustering — scikit-learn 0.22.2 documentation
http://scikit-learn.org/stable/modules/clustering.html

Да, там или максимальное количество элементов кластера или максимальное расстояние между точками

Ещё есть максимальное расстояние от центра масс.

Вам, похоже, именно оно и нужно

да, звучит как оно

ВРоде что-то похожее даёт Agglomerative clustering

Вот эта штука должна подойти.

Хм...видел, я не знаю необходимое количество кластеров)

это собственно и вопрос)

А размер?

Что-то опорное нужно. Критерий слияния-останова

Например можно сказать, что если расстояние между кластерами больше определенной величины, то остановиться.

размер кластера. максимальное расстояние до центра кластера - 500м

Берешь к-средних и перебираешь количество кластеров от 0 до ... Пока точки не вошедшие в кластера не кончатся.

Проблема выбора количества кластеров для k-means действительно обычно решается постепенным наращиванием количества кластеров. Дальше будет нужно выбрать наилучший вариант разбиения. В Вашем случае можно сначала выбрать все варианты, удовлетворяющие условию (r<500m), а потом применить один из подходов к выбору наиболее подходящего варианта. Тут есть хорошее изложение методов выбора количества кластеров с кодом: https://towardsdatascience.com/10-tips-for-choosing-the-optimal-number-of-clusters-277e93d72d92

Также учтите, что k-means чувствителен к выбору начального приближения.

А ещё очень он против хитрозагнутых фигур.