python如何做层次聚类

层次聚类是一种常用的聚类方法，它通过计算数据点间的距离，并逐步合并最相似的数据点或聚类来构建一个聚类树。在Python中，可以使用`scikit-learn`库中的`AgglomerativeClustering`类或者`scipy.cluster.hierarchy`模块中的`linkage`函数来实现层次聚类。

 import numpy as np from sklearn.cluster import AgglomerativeClustering from sklearn.datasets import make_blobs import matplotlib.pyplot as plt 生成随机数据 X, y = make_blobs（n_samples=100, centers=3, random_state=42） 使用AgglomerativeClustering进行层次聚类 clustering = AgglomerativeClustering（n_clusters=3） clustering.fit（X） 可视化聚类结果 plt.scatter（X[:, 0], X[:, 1], c=clustering.labels_, cmap='rainbow'） plt.show（） 

如果你想要使用`scipy.cluster.hierarchy`模块进行层次聚类，可以使用以下代码：

 from scipy.cluster.hierarchy import linkage, dendrogram import matplotlib.pyplot as plt 准备数据 X = np.array（[[1, 2], [2, 2], [2, 3], [4, 5], [5, 6], [7, 8]]） 计算数据点之间的相似度（距离）矩阵 Z = linkage（X, method='ward'） 绘制树形图（谱系图）来可视化聚类结果 plt.figure（figsize=（10, 6）） dendrogram（Z） plt.title（'Hierarchical Clustering Dendrogram'） plt.xlabel（'Sample Index'） plt.ylabel（'Distance'） plt.show（） 

层次聚类算法有分裂法和凝聚法两种方法，凝聚法更为常用。分裂法是从一个大的类开始，逐步分裂成更小的类，而凝聚法则是从每个样本作为一个单独的类开始，逐步合并最相似的类。

希望这些示例代码可以帮助你理解如何在Python中实现层次聚类。