基本过程

• 读数据
• 数据标准化
• 计算距离
• 分类

library('flexclust') # 导入数据集
data(nutrient)  # 加载数据
row.names(nutrient) <- tolower(row.names(nutrient)) # 把行索引小写
head(nutrient)
#由于能量变化范围比其他变量更大，缩放数据有利于均衡各变量的影响。
nutrient_scaled <- scale(nutrient)  # 数据标准化
head(nutrient_scaled)
d <- dist(nutrient_scaled)  # 计算距离 默认欧式距离
fit_average <- hclust(d, method="average") # 聚类
plot(fit_average, hang = -1,  main = "Average Linkage Clustering")

K-means聚类与PAM聚类

# K-means聚类，做之前用outlet去除异常值
library('flexclust') # 导入数据集
data(nutrient)
row.names(nutrient) <- tolower(row.names(nutrient)) # 把行索引小写
library(factoextra)
nutrient_scaled <- scale(nutrient)  # 数据标准化
d <- dist(nutrient_scaled)
fviz_cluster(kmeans(d, 3), nutrient)

# 围绕中心点的划分（PAM）
library('flexclust') # 导入数据集
library(cluster)
data(nutrient)
row.names(nutrient) <- tolower(row.names(nutrient)) # 把行索引小写
nu_pam <- pam(nutrient, 3, metric="euclidean")
fviz_cluster(nu_pam, nutrient)