系统聚类

最小距离法

setwd("D:\\Rdownload\\lianxi\\fourth")  #设定工作路径
ex4.1<-read.csv("ex4.1.csv", header=T)  #将ex4.1.csv数据读入到d4.1中
d4.1=ex4.1[,-1]   #ex4.1的第一列不是数值先去掉
rownames(d4.1)=ex4.1[,1]  #用ex4.1的第一列为d4.1的行重新命名
d4.1<-d4.1[-21,]
d<-dist(d4.1, method="euclidean", diag=T, upper=F, p=2)
#采用欧氏距离计算距离矩阵d, method为距离计算方法,包括“euclidean” （欧氏距离）, “manhattan”（绝对距离）,“maximum”（切氏距离）,  “minkowski”（明氏距离）, "canberra"（兰氏距离）等; diag为是否输出对角线上的值, upper为是否输出d的上三角部分的值, p为明氏距离参数k.
HC<-hclust(d, method="single")  #采用最小距离法（single）聚类.
plot(HC, hang=-1)   #绘制最小距离法聚类树状图.当hang取负值时，从底部对齐开始绘制聚类树状图
abline(h=20) ; abline(h=13)  #在图4.1中分别画合并距离为20和13的两条水平线，用来帮助我们确定分类

##由图可知，

##合并距离为 20 时，可以将这些啤酒分为三类：

##第一类：包括 Pabst-extral, Olympia-gold；第二类：包括 Sudeiser-lich, Coorslicht, Miller-lite, Schlite-light；第三类：包括 Schlitz, Aucsberger, Kronensourc, lonenbrau, Heineken, Kkirin, Michelos-lich, Secrs, Strchs-bohemi, Hamms, Coors, Budweiser, Old-milnaukee, Heilemans-old

##合并距离为 13 时，可以将这些啤酒分为六类：

##第一类：包括 Pabst-extra, Olympia-gold；第二类：包括 Sudeiser-lich； 第三类：包括 Coorslicht, Miller-lite, Schlite-light；第四类：包括 Schlitz, Aucsberger； 第五类：包括 Kronensourc；第六类：包括 lonenbrau, Heineken, Kkirin, Michelos-lich, Secrs, Strchs-bohemi, Hamms, Coors, Budweiser, Old-milnaukee, Heilemans-old

最大距离法

HC1<-hclust(d, method="complete")  #采用最大距离法（complete）聚类.
plot(HC, hang=-1)  #绘制最小距离法聚类树状图.当hang取负值时，从底部对齐开始绘制聚类树状图
rect.hclust(HC1,k=3,border="red")  #用红色矩形框出3个分类

##由图可知，

##合并距离为 20 时，可以将这些啤酒分为三类：

##第一类：包括 Pabst-extral, Olympia-gold；第二类：包括 Sudeiser-lich, Coorslicht, Miller-lite, Schlite-light；第三类：包括 Schlitz, Aucsberger, Kronensourc, lonenbrau, Heineken, Kkirin, Michelos-lich, Secrs, Strchs-bohemi, Hamms, Coors, Budweiser, Old-milnaukee, Heilemans-old

##合并距离为 13 时，可以将这些啤酒分为六类：

##第一类：包括 Pabst-extra, Olympia-gold；第二类：包括 Sudeiser-lich； 第三类：包括 Coorslicht, Miller-lite, Schlite-light；第四类：包括 Schlitz, Aucsberger； 第五类：包括 Kronensourc；第六类：包括 lonenbrau, Heineken, Kkirin, Michelos-lich, Secrs, Strchs-bohemi, Hamms, Coors, Budweiser, Old-milnaukee, Heilemans-old

##这与最小距离法分类结果一致

K均值聚类

setwd("D:\\Rdownload\\lianxi\\fourth")  #设定工作路径
ex4.1<-read.csv("ex4.1.csv",header=T)  #将ex4.1.csv数据读入
d4.1=ex4.1[,-1]   #ex4.5的第一列不是数值先去掉
rownames(d4.1)=ex4.1[,1]  #用ex4.1的第一列为d4.1的行重新命名
d4.1<-d4.1[-21,]
KM<-kmeans(d4.1, 3, nstart=15, algorithm="Hartigan-Wong")  #聚类的个数为3；初始随机集合的个数为20, 算法为"Hartigan-Wong"（默认）
sort(KM$cluster)    #对分类结果进行排序并查看

##   Miller-lite Sudeiser-lich    Coorslicht  Pabst-extral  Olympia-gold 
##             1             1             1             1             1 
## Schlite-light       Schlitz   Kronensourc    Aucsberger     Budweiser 
##             1             2             2             2             3 
##     Ionenbrau      Heineken Old-milnaukee Strchs-bohemi         Coors 
##             3             3             3             3             3 
## Michelos-lich         Secrs        Kkirin         Hamms Heilemans-old 
##             3             3             3             3             3

KM<-kmeans(d4.1, 6, nstart=25)  #聚类的个数 k=6
sort(KM$cluster)   

##     Ionenbrau      Heineken        Kkirin         Coors Michelos-lich 
##             1             1             1             2             2 
##         Hamms     Budweiser Old-milnaukee Strchs-bohemi         Secrs 
##             2             3             3             3             3 
## Heilemans-old   Miller-lite Sudeiser-lich    Coorslicht Schlite-light 
##             3             4             4             4             4 
##       Schlitz   Kronensourc    Aucsberger  Pabst-extral  Olympia-gold 
##             5             5             5             6             6

##两种情形下，Schlitz、Kronensourc、Aucsberger和Budweiser都聚为一类；Ionenbrau、Heineken、Old - milwaukee、Strchs - bohemi、Coors、Michelos - lich、Secrs和Kkirin都聚为一类；只是在其余品牌的分类上有一定变化，即k = 3时的第3类中有8个品牌划分出来单独聚为k = 6时的第4类。