每R一点：层次聚类分析实例实战-dist、hclust、heatmap等（转）

聚类分析：对样品或指标进行分类的一种分析方法，依据样本和指标已知特性进行分类。本节主要介绍层次聚类分析，一共包括3个部分，每个部分包括一个具体实战例子。

1、常规聚类过程：

一、首先用dist()函数计算变量间距离
dist.r = dist(data, method=" ")
其中method包括6种方法，表示不同的距离测度："euclidean", "maximum", "manhattan", "canberra", "binary" or "minkowski"。相应的意义自行查找。

二、再用hclust()进行聚类
hc.r = hclust(dist.r, method = “ ”)
其中method包括7种方法，表示聚类的方法："ward", "single", "complete","average", "mcquitty", "median" or "centroid"。相应的意义自行查找。

三、画图
plot(hc.r, hang = -1,labels=NULL) 或者plot(hc.r, hang = 0.1,labels=F)
hang 等于数值，表示标签与末端树杈之间的距离，
若是负数，则表示末端树杈长度是0，即标签对齐。
labels 表示标签，默认是NULL，表示变量原有名称。labels=F :表示不显示标签。

实例介绍：

特殊情况用法：

当用已知距离矩阵进行聚类时，即变量间的距离已经计算完，只是想用
已知的距离矩阵进行聚类。这时，需将距离矩阵转成dist类型。
然后再执行hclust()聚类和plot()画图。

# mydata作为距离矩阵,且为正方矩阵
mydata<-matrix(1:25,ncol=5);
class(mydata);
 
# 把mydata变成dist类型
mydist<-as.dist(mydata);
class(mydist);
[1] "dist"
 
myhc<-hclust(mydist,method="complete")；
myhc；
 
Call:
hclust(d = mydist, method ="complete")
 
Cluster method   : complete
Number of objects: 5
 
plot(myhc,hang=0.1)

2、热图聚类过程：

一、首先用dist()函数计算变量间距离
dist.r = dist(data, method=" ")

二、用heatmap()函数进行热点图聚类
对于heatmap中具体参数，这里不做过多介绍，可在帮助文档中找说明。除此heatmap函数之外，gplots包中的heatmap.2()函数，也可以做热点图聚类。

其中参数不做过多描述。若有需求，请分享并回复：heatmap.2

即可得到答案。

实战例子：

require(graphics);
dist.r<-dist(USArrests,method="euclidean") # 方法：欧氏距离
dist.r

 
#聚类并画图
heatmap(as.matrix(dist.r))

3、多维标度和聚类的结果

MDS方法对距离矩阵进行降维，用不同的颜色来表示聚类的结果。
另一种聚类效果展示。

例子：

转自：http://mp.weixin.qq.com/s?__biz=MzA3NDUxMjYzMA==&mid=209248280&idx=2&sn=c0ec5d9a9b060654ffdaad3d6911a812#rd