R语言基础| 聚类分析

定义和分类

层次聚类可以分为以下几种：

15.2.1 语法及一般步骤

1)计算距离d：

x.scale <- scale(x)#建议先进行均一化
d <- dist(x,method = )#计算距离

x:数据集

method:默认为euclidean欧几里得距离，即两点之间的直线距离。还可选择”manhattan”：曼哈顿距离，即两点之间的城市街区距离（各维度差值的绝对值之和）。“maximum”：切比雪夫距离，即两点在各维度差值的绝对值中的最大值。“binary”：二进制距离，适用于处理二进制数据。如果两个数据点在相同位置上具有不同的值，则距离为1；如果两个数据点在相同位置上具有相同的值，则距离为0。“minkowski”：闵可夫斯基距离，可以通过设置额外参数p来指定参数值。当p=1时，闵可夫斯基距离等同于曼哈顿距离；当p=2时，闵可夫斯基距离等同于欧氏距离。“cosine”：余弦相似性，用于计算向量之间的夹角余弦，表示向量之间的相似性。“correlation”：相关性距离，用于计算向量之间的相关性距离，表示向量之间的相关性程度。

2)层次聚类：使用stats包中的基础函数hclust()来进行：

hclust(d,method = )#层次聚类

d: 距离矩阵或相似性矩阵，用于表示待聚类的数据点之间的距离或相似性。可以使用dist()函数来计算距离矩阵或相似性矩阵。

method: 聚类算法的方法，用于指定聚类过程中的距离计算和合并策略。常见的方法包括”complete”（全联动）、“single”（单联动）、“average”（平均联动）、"centroid”（质心）和ward法，默认为”complete”。

3.1)可视化，方法一：使用ggdegrogram()函数绘制树状图：

library(ggplot2)
library(ggdendro)#该包需要安装
ggdendrogram(dendro, rotate = FALSE, size = 1, leaf_labels = FALSE)

dendro：dendrogram对象，表示树状图的层次结构。通常可以使用hclust()函数生成hclust对象，然后使用as.dendrogram()将其转换为dendrogram对象。

rotate：逻辑值，用于指定是否旋转树状图。默认为FALSE，表示不旋转。

size：数值，用于指定线条的宽度，控制树状图的密度。

leaf_labels：逻辑值，用于指定是否显示叶节点的标签。默认为FALSE，表示不显示。

3.2)可视化，方法二：使用factoextra包中的fviz_dend()函数绘制树状图：

更推荐！！更多参数设置参考？？fviz_dend()

% 水平树形图：

fviz_dend(x,
          k = ,
          k_colors = ,
          color_labels_by_k = FALSE,
          type = "rectangle"，
          rect_border=#通常与k_colors设置一样的颜色)

%% 环形树形图:

fviz_dend(x,
          k = ,
          k_colors = ,
          color_labels_by_k = FALSE,
          type = "circular"，

%%% 分叉树形图:

fviz_dend(x,
          k = ,
          k_colors = ,
          color_labels_by_k = FALSE,
          type = "phylogenic"，
          repel=TRUE

15.2.2 举例

使用flexclust包中的nutrient数据集

1)首先看一下该数据集(记得先安装该包)

library(flexclust)

## Warning: 程辑包'flexclust'是用R版本4.3.2 来建造的

## 载入需要的程辑包：lattice

## 
## 载入程辑包：'lattice'

## The following object is masked from 'package:corrgram':
## 
##     panel.fill

## 载入需要的程辑包：modeltools

## 载入需要的程辑包：stats4

## 
## 载入程辑包：'modeltools'

## The following object is masked from 'package:car':
## 
##     Predict

data(nutrient,package = "flexclust")
nutrient

##                     energy protein fat calcium iron
## BEEF BRAISED           340      20  28       9  2.6
## HAMBURGER              245      21  17       9  2.7
## BEEF ROAST             420      15  39       7  2.0
## BEEF STEAK             375      19  32       9  2.6
## BEEF CANNED            180      22  10      17  3.7
## CHICKEN BROILED        115      20   3       8  1.4
## CHICKEN CANNED         170      25   7      12  1.5
## BEEF HEART             160      26   5      14  5.9
## LAMB LEG ROAST         265      20  20       9  2.6
## LAMB SHOULDER ROAST    300      18  25       9  2.3
## SMOKED HAM             340      20  28       9  2.5
## PORK ROAST             340      19  29       9  2.5
## PORK SIMMERED          355      19  30       9  2.4
## BEEF TONGUE            205      18  14       7  2.5
## VEAL CUTLET            185      23   9       9  2.7
## BLUEFISH BAKED         135      22   4      25  0.6
## CLAMS RAW               70      11   1      82  6.0
## CLAMS CANNED            45       7   1      74  5.4
## CRABMEAT CANNED         90      14   2      38  0.8
## HADDOCK FRIED          135      16   5      15  0.5
## MACKEREL BROILED       200      19  13       5  1.0
## MACKEREL CANNED        155      16   9     157  1.8
## PERCH FRIED            195      16  11      14  1.3
## SALMON CANNED          120      17   5     159  0.7
## SARDINES CANNED        180      22   9     367  2.5
## TUNA CANNED            170      25   7       7  1.2
## SHRIMP CANNED          110      23   1      98  2.6

该数据集包含了肉类、鱼类和禽类中营养成分的测量数据。共27个观测值。

2)均一化数据并求d值

row.names(nutrient) <- tolower(row.names(nutrient))#将行名小写
nutrient.scale <- scale(nutrient)
d <- dist(nutrient.scale,method = "euclidean")

3.1)层次聚类分析及可视化1

fit.average <- hclust(d,method = "average")
library(ggplot2)
library(ggdendro)

## Warning: 程辑包'ggdendro'是用R版本4.3.2 来建造的

## 
## 载入程辑包：'ggdendro'

## The following object is masked from 'package:Hmisc':
## 
##     label

ggdendrogram(fit.average, rotate = FALSE, size = 1, leaf_labels = FALSE)

3.2)层次聚类分析及可视化2

fit.average <- hclust(d,method = "average")
library(factoextra)

## Warning: 程辑包'factoextra'是用R版本4.3.2 来建造的

## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa

fviz_dend(fit.average,k=4,cex = 0.8,horiz=TRUE,
          k_colors = c("tan2","skyblue","seagreen","plum3"),
          color_labels_by_k = FALSE,
          type = "rectangle",
          rect_border =c("tan2","skyblue","seagreen","plum3"),
          repel = TRUE,
          rect_lty = 0.5)

## Warning: The `<scale>` argument of `guides()` cannot be `FALSE`. Use "none" instead as
## of ggplot2 3.3.4.
## ℹ The deprecated feature was likely used in the factoextra package.
##   Please report the issue at <https://github.com/kassambara/factoextra/issues>.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

horiz=TRUE 变成水平的。

图片中的标签显示不全，可以通过设置cex的值来缩小标签，另外在图片导出时设置画布大小使得图片展示完全。

由于层次聚类一般不用提前计算k值，即分成几簇，所以计算k值放在划分聚类中学习。但层次聚类中使用fviz_dend()函数画图时，一般需要写k值，因此也可以计算k值后再画图。