令采用d_max的AGNES 算法一直执行到所有样本出现在同一 个簇( k=1), 可得"树状图" (dendrogram) ，其中每层链接一组聚类簇. 在树状图的特定层次上进行分割，则可得到相应的簇划分结果(虚线包含7个聚类簇).用西瓜数据集进行实现agnes的代码

好的，以下是使用Python实现AGNES算法进行聚类的代码，使用的数据集为西瓜数据集：

import pandas as pd
import numpy as np
import math
import matplotlib.pyplot as plt

# 载入数据集
data = pd.read_csv('watermelon.csv')
X = data.iloc[:, 1:3].values
m = X.shape[0]  # 样本数

# 计算距离矩阵
dis_mat = np.zeros((m, m))
for i in range(m):
    for j in range(i+1, m):
        dis_mat[i, j] = dis_mat[j, i] = np.linalg.norm(X[i]-X[j])

# AGNES聚类算法
def agnes(d_max):
    # 初始化各样本为一个簇
    cls = [[i] for i in range(m)]
    # 初始化距离最小的两个簇
    c1, c2 = 0, 1
    # 初始化簇与簇之间的距离
    min_dis = dis_mat[c1, c2]
    # 构建距离矩阵
    for k in range(m-1):
        # 每次找到距离最小的两个簇
        for i in range(len(cls)):
            for j in range(i+1, len(cls)):
                if len(cls[i]) > 1 and len(cls[j]) > 1:
                    tmp_dis = np.mean(dis_mat[np.ix_(cls[i], cls[j])])
                    if tmp_dis < min_dis:
                        c1, c2 = i, j
                        min_dis = tmp_dis
        # 若最小距离大于d_max，则停止合并
        if min_dis > d_max:
            break
        # 合并两个簇
        cls[c1] += cls[c2]
        # 删除已合并的簇
        cls.pop(c2)
        # 更新距离矩阵
        for i in range(len(cls)-1):
            if i == c1:
                dis_mat[i, c1] = dis_mat[c1, i] = 0
            else:
                tmp_dis = np.mean(dis_mat[np.ix_(cls[i], cls[c1])])
                dis_mat[i, c1] = dis_mat[c1, i] = tmp_dis
        # 重置c1和c2
        c1, c2 = 0, 1
        # 重置min_dis
        min_dis = dis_mat[c1, c2]
    return cls

# 绘制聚类结果
def plot_cluster(cls):
    colors = ['r', 'g', 'b', 'y', 'c', 'm', 'k']
    for i in range(len(cls)):
        for j in cls[i]:
            plt.scatter(X[j, 0], X[j, 1], c=colors[i], marker='o')
    plt.show()

if __name__ == '__main__':
    d_max = 0.4  # 设定最大距离
    cls = agnes(d_max)
    plot_cluster(cls)

在上述代码中，首先载入了西瓜数据集，并计算了样本之间的距离矩阵。然后，定义了AGNES聚类算法的函数，其主要思路是不断合并距离最近的两个簇，直到合并后最小距离大于预设的最大距离d_max为止。最后，将聚类结果可视化。