计算manhattan距离矩阵D，以预先计算好的距离选项调用凝聚层次聚类，重复上问中实验，比较与欧氏距离的结果

好的，你的第一个问题是关于聚类的。为了回答你的问题，我需要先解释一下什么是Manhattan距离。

Manhattan距离是指两个向量在所有维度上的差的绝对值之和。例如，对于向量a=(a1, a2, a3)和向量b=(b1, b2, b3)，它们之间的Manhattan距离为：

d(a,b) = |a1 - b1| + |a2 - b2| + |a3 - b3|

现在回到你的问题，我们需要计算一个距离矩阵D，其中每个元素d(i,j)表示第i个样本和第j个样本之间的Manhattan距离。我们可以使用SciPy库中的pdist函数来计算距离矩阵。具体代码如下：

from scipy.spatial.distance import pdist, squareform

# 计算距离矩阵
D = pdist(X, metric='cityblock')

# 将距离矩阵转换为方阵
D = squareform(D)

其中X是我们的样本矩阵，metric参数指定了我们要使用的距离度量，这里选择了cityblock表示Manhattan距离。

接下来，我们可以使用SciPy库中的聚类函数来进行层次聚类。具体代码如下：

from scipy.cluster.hierarchy import linkage, dendrogram

# 计算聚类树
Z = linkage(D, method='complete')

# 绘制聚类树
dendrogram(Z)

其中method参数指定了我们要使用的聚类方法，这里选择了complete表示完全链接聚类。

最后，我们可以根据聚类树进行聚类，具体代码如下：

from scipy.cluster.hierarchy import fcluster

# 将数据划分为两个簇
k = 2
labels = fcluster(Z, k, criterion='maxclust')

其中k参数指定了我们要划分的簇的数量，criterion参数指定了我们要使用的划分准则，这里选择了maxclust表示最大聚类数。

最后，我们可以比较Manhattan距离和欧氏距离的聚类结果。由于我不知道你之前使用的是什么数据集，所以无法给出具体的比较结果。但是，你可以尝试用相同的数据集和聚类算法，分别计算欧氏距离和Manhattan距离的聚类结果，然后比较它们的质量指标，例如轮廓系数等。