python中层次聚类结果

在Python中，可以使用SciPy库中的`scipy.cluster.hierarchy`模块进行层次聚类并得到聚类结果。具体步骤如下：

1. 构建距离矩阵：使用`scipy.spatial.distance.pdist()`函数计算每对样本之间的距离，并将它们存储在距离矩阵中。

2. 进行层次聚类：使用`scipy.cluster.hierarchy.linkage()`函数，输入距离矩阵和连接方式（如Ward、single、complete等），得到聚类树。

3. 可视化聚类树：使用`scipy.cluster.hierarchy.dendrogram()`函数，输入聚类树和一些参数（如标签、颜色等），得到可视化的聚类树。

4. 划分聚类簇：使用`scipy.cluster.hierarchy.fcluster()`函数，输入聚类树、距离阈值和一些参数，得到最终的聚类结果。

下面是一个简单的示例代码，展示如何使用SciPy进行层次聚类并得到聚类结果：

import numpy as np
from scipy.spatial.distance import pdist
from scipy.cluster.hierarchy import linkage, dendrogram, fcluster

# 构造样本数据
X = np.random.rand(10, 2)

# 计算距离矩阵
dist_mat = pdist(X)

# 进行层次聚类
Z = linkage(dist_mat, method='ward')

# 可视化聚类树
dendrogram(Z)

# 划分聚类簇
labels = fcluster(Z, t=2, criterion='distance')

print(labels)

在这个示例中，我们首先生成了10个二维随机样本，然后计算了它们之间的距离矩阵。接着使用Ward连接方式进行层次聚类，并将得到的聚类树可视化。最后，我们使用距离阈值为2的方式划分聚类簇，并输出聚类结果。