基本的演算法思路就是：把當前組間距離最小的兩組合併成一組。
演算法的差異在演算法如何確定元件的距離，一般有最大距離，最小距離，平均距離，馬氏距離等等。
**如下：
import numpy as np
import data_helper
np.random.seed(1)
def get_raw_data(n):
_data=np.random.rand(n,2)
#生成資料的格式是n個（x,y）
_groups=
return _groups
def cal_distance(cluster1,cluster2):
#採用最小距離作為聚類標準
_min_distance=10000
for x1,y1 in cluster1:
for x2,y2 in cluster2:
_distance=(x1-x2)**2+(y1-y2)**2
if _distance<_min_distance:
_min_distance=_distance
return _distance
groups=get_raw_data(10)
count=0
while len(groups)!=1:#判斷是不是所有的資料是不是歸為了同一類
min_distance=10000
len_groups=len(groups)
for i in groups.keys():
for j in groups.keys():
if i>=j:
continue
distance=cal_distance(groups[i],groups[j])
if distancei
groups[min_i].extend(groups.pop(min_j))
data_helper.draw_data(groups)
#一共n個簇，共迭代n-1次
聚類演算法 層次聚類演算法
層次聚類演算法 hierarchical clustering method 又稱為系統聚類法 分級聚類法。層次聚類演算法又分為兩種形式 凝聚層次聚類 首先將每個物件作為乙個簇，然後合併這些原子簇為越來越大的簇，直到某個終結條件被滿足。層次聚類 首先將所有物件置於乙個簇中，然後逐漸細分為越來越小的簇...
聚類之層次聚類 基於劃分的聚類（
目錄 一層次聚類 層次聚類的原理及分類 層次聚類的流程 層次聚類的優缺點 二劃分聚類法k means kmeans演算法的原理 k均值的優缺點及分類 k means與dbscan的區別 k means注意問題 三基於密度的聚類 dbscan的概念 簇的生成原理及過程 根據資料點的密度分為三類點 db...
層次聚類（1）
層次聚類演算法不同於其它演算法，主要體現在它不是只生成乙個分類結果，而是產生一系列原模式集合的分類結果，每個分類結果滿足一些限制。x 是n個l維特徵向量組成的集合，我們就是要對這個集合中的特徵向量分類。clustering r 是某個聚類結果，就叫他類簇吧，我想這樣叫，也許別人已經定義了類簇，但是我...