有100个数据存放在数组mid_time中，要求使用c++对这一百个数据进行聚类，使用层次聚类并且聚类依据数据的差值。

好的，对于这个问题，你可以使用层次聚类算法来实现。下面是一份C++代码，可以实现根据数据差值进行层次聚类：

#include <iostream>
#include <cmath>

using namespace std;

const int N = 100;

double mid_time[N];       // 数据数组
double diff[N][N];        // 差值矩阵
int cluster[N];           // 聚类数组
double dist[N];           // 距离数组

int find_nearest(int n)   // 找到距离第n个聚类最近的聚类
{
    int nearest = -1;
    double min_dist = 1e9;
    for (int i = 0; i < n; i++) {
        if (cluster[i] == -1) continue;   // 已经合并过了，跳过
        if (dist[i] < min_dist) {
            min_dist = dist[i];
            nearest = i;
        }
    }
    return nearest;
}

void merge_cluster(int i, int j) // 合并两个聚类
{
    for (int k = 0; k < N; k++) {
        if (cluster[k] == j) cluster[k] = i;
        if (dist[k] == dist[j] || cluster[k] == -1) continue;
        double d = (diff[k][i] + diff[k][j]) / 2;
        diff[i][k] = diff[k][i] = d;
        dist[k] = min(dist[k], d);
    }
    cluster[j] = -1;
}

int main()
{
    // 初始化数据数组
    for (int i = 0; i < N; i++) {
        mid_time[i] = i;
    }

    // 计算差值矩阵
    for (int i = 0; i < N; i++) {
        for (int j = i+1; j < N; j++) {
            double d = abs(mid_time[i] - mid_time[j]);
            diff[i][j] = diff[j][i] = d;
        }
    }

    // 初始化聚类数组
    for (int i = 0; i < N; i++) {
        cluster[i] = i;
    }

    // 进行聚类
    int n = N;
    while (n > 1) {
        int i = find_nearest(n);
        int j = cluster[i];
        merge_cluster(i, j);
        n--;
    }

    // 输出聚类结果
    for (int i = 0; i < N; i++) {
        if (cluster[i] == i) {
            cout << "Cluster " << i << ": ";
            for (int j = 0; j < N; j++) {
                if (cluster[j] == i) {
                    cout << mid_time[j] << " ";
                }
            }
            cout << endl;
        }
    }

    return 0;
}

这段代码首先定义了一些数据数组和函数，包括数据数组mid_time、差值矩阵diff、聚类数组cluster和距离数组dist，以及查找最近聚类和合并聚类的函数find_nearest和merge_cluster。然后，在main函数中，首先初始化了数据数组mid_time，并计算了差值矩阵diff。接着，初始化聚类数组cluster，将每个数据点都视为一个单独的聚类。最后，进行聚类过程，每次找到距离最近的两个聚类并将它们合并，直到只剩下一个聚类为止。最后，输出聚类结果。

需要注意的是，这段代码仅为示例代码，实际应用时需要根据具体的数据集和聚类需求进行修改和优化。如果你有任何问题或者需要进一步的帮助，请随时告诉我。