层次聚类Single Link (MIN) python代码 已插入数据的

以下是使用Python实现单链接层次聚类算法的示例代码：

import numpy as np

# 定义距离函数
def distance(x1, x2):
    return np.sqrt(np.sum((x1 - x2) ** 2))

# 定义单链接层次聚类函数
def single_linkage_clustering(data):
    n = data.shape[0]  # 样本数量
    labels = np.arange(n)  # 初始化每个样本的标签
    distances = np.zeros((n, n))  # 初始化距离矩阵
    for i in range(n):
        for j in range(i + 1, n):
            distances[i][j] = distance(data[i], data[j])  # 计算样本之间的距离
            distances[j][i] = distances[i][j]
    for k in range(n - 1):
        min_distance = np.inf
        for i in range(n):
            for j in range(i + 1, n):
                if distances[i][j] < min_distance and labels[i] != labels[j]:
                    min_distance = distances[i][j]
                    index1, index2 = i, j
        for i in range(n):
            if labels[i] == labels[index2]:
                labels[i] = labels[index1]  # 更新标签
        for j in range(n):
            if j != index1 and j != index2:
                distances[index1][j] = min(distances[index1][j], distances[index2][j])
                distances[j][index1] = distances[index1][j]
        distances[index1][index1] = 0
    return labels

# 测试
data = np.array([[1, 2], [4, 5], [3, 4], [2, 2], [3, 5]])
labels = single_linkage_clustering(data)
print(labels)

其中，`distance`函数用于计算两个样本之间的欧氏距离；`single_linkage_clustering`函数实现了单链接层次聚类算法，接收一个`n×m`的二维数组`data`，其中`n`为样本数量，`m`为特征数量，返回一个长度为`n`的一维数组`labels`，表示每个样本所属的簇。代码中使用了一个`distances`矩阵来存储样本之间的距离，初始时全部为0，聚类过程中逐渐更新；使用一个`labels`数组来存储每个样本的标签，初始时每个样本的标签为其所在位置的索引。