如果 d i d_i di與 c c c之間的距離 < T 1 <T_1 <T1，則将 d i d_i di加入canopy c c c的集合；(*1)
如果 d i d_i di與 c c c之間的距離 < T 2 <T_2 <T2，則從 D D D中移除目前元素 d i d_i di；(*2)
結束周遊。
将目前的canopy c c c對應的集合存儲到清單 C C C中；
算法結束。
1.關鍵之處在于(*1)和(*2)兩個步驟。參照上一節中的示意圖可知，這種處理方式相當于設定了一個
距離的緩沖區
，即處于 T 1 T_1 T1和 T 2 T_2 T2之間的這部分執行個體在每一次聚類中并不是嚴格的屬于該類，還要參與下一次聚類；隻有當小于 T 2 T_2 T2(嚴格屬于該類)時，才從 D D D中删除，不參與下一次聚類。這樣的處理方式更穩妥。
2. T 1 T_1 T1和 T 2 T_2 T2的值通過交叉檢驗确定，如下圖。
from Old_regression import crossValidation
#使用K均值
import kMeans as km
def canopyClustering(datalist):
state =[];
#交叉驗證擷取T1和T2;
T1,T2 = crossValidation(datalist);
#canopy 預聚類
canopybins= canopy(datalist, T1 , T2);
#使用K均值聚類
k =len(canopybins);
createCent = [canopy[0] for canopy in canopybins];#擷取canopybins中心
代碼參考：Canopy聚類算法分析
3.要注意，最終聚類得到的各個類别中，并不會存在交叉重疊，因為隻要 D D D中存在執行個體元素時，聚類算法就不會停止，算法會循環直至每個元素都嚴格屬于各自的聚類。參考文獻1中關于這一點的分析時不正确的，要注意！
3.算法僞代碼
while D is not empty
select element d from D to initialize canopy c
remove d from D
Loop through remaining elements in D：
if distance between d_i and c < T1 : add element to the canopy c
if distance between d_i and c < T2 : remove element from D
end
add canopy c to the list of canopies C
end
