如果 d i d_i di与 c c c之间的距离 < T 1 <T_1 <T1，则将 d i d_i di加入canopy c c c的集合；(*1)
如果 d i d_i di与 c c c之间的距离 < T 2 <T_2 <T2，则从 D D D中移除当前元素 d i d_i di；(*2)
结束遍历。
将当前的canopy c c c对应的集合存储到列表 C C C中；
算法结束。
1.关键之处在于(*1)和(*2)两个步骤。参照上一节中的示意图可知，这种处理方式相当于设置了一个
距离的缓冲区
，即处于 T 1 T_1 T1和 T 2 T_2 T2之间的这部分实例在每一次聚类中并不是严格的属于该类，还要参与下一次聚类；只有当小于 T 2 T_2 T2(严格属于该类)时，才从 D D D中删除，不参与下一次聚类。这样的处理方式更稳妥。
2. T 1 T_1 T1和 T 2 T_2 T2的值通过交叉检验确定，如下图。
from Old_regression import crossValidation
#使用K均值
import kMeans as km
def canopyClustering(datalist):
state =[];
#交叉验证获取T1和T2;
T1,T2 = crossValidation(datalist);
#canopy 预聚类
canopybins= canopy(datalist, T1 , T2);
#使用K均值聚类
k =len(canopybins);
createCent = [canopy[0] for canopy in canopybins];#获取canopybins中心
代码参考：Canopy聚类算法分析
3.要注意，最终聚类得到的各个类别中，并不会存在交叉重叠，因为只要 D D D中存在实例元素时，聚类算法就不会停止，算法会循环直至每个元素都严格属于各自的聚类。参考文献1中关于这一点的分析时不正确的，要注意！
3.算法伪代码
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
