对于不使用阈值对数组进行聚类的问题，可以使用基于密度的聚类算法来解决，例如DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法。

DBSCAN算法是一种基于密度的聚类算法，它将数据点分为核心点、边界点和噪音点。核心点是在指定半径内含有指定数量以上的数据点的点，边界点是在指定半径内含有指定数量以下的数据点的点，而噪音点是既不是核心点也不是边界点的点。

下面是一个使用Python实现DBSCAN算法的示例代码：

from sklearn.cluster import DBSCAN
import numpy as np

# 生成示例数据
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0], [6, 2], [6, 4], [6, 0]])

# 创建DBSCAN对象，并设置参数
dbscan = DBSCAN(eps=1, min_samples=3)

# 进行聚类
dbscan.fit(X)

# 获取聚类结果
labels = dbscan.labels_

# 打印每个数据点的聚类结果
for i, label in enumerate(labels):
    print("数据点", X[i], "属于聚类", label)

在上述代码中，我们首先生成了一个二维数据集X作为示例数据。然后，我们使用DBSCAN算法进行聚类，设置eps参数为1，min_samples参数为3。最后，我们通过labels_属性获取每个数据点的聚类结果，并打印出来。

需要注意的是，DBSCAN算法不需要提前指定阈值，而是通过设置eps和min_samples两个参数来控制聚类的结果。eps参数代表领域的半径，min_samples参数代表领域内所需的最少数据点数量。这两个参数需要根据具体数据集的特点进行调整。