层次聚类分析

1、python语言

from scipy.cluster import hierarchy # 导入层次聚类算法
import matplotlib.pylab as plt
import numpy as np

# 生成示例数据
np.random.seed(0)
data = np.random.random((20,1))

# 使用树状图找到最佳聚类数
Z = hierarchy.linkage(data,method='weighted',metric='euclidean')
re = hierarchy.dendrogram(Z,color_threshold=0.2,above_threshold_color='#bcbddc')

# 输出节点标签
print(re["ivl"])

# 画图
plt.title('Dendrogram') # 标题
plt.xlabel('Customers') # 横标签
plt.ylabel('Euclidean distances') # 纵标签
plt.show()

dendrogram函数参数：

Z：层次聚类的结果，即通过scipy.cluster.hierarchy.linkage()函数计算得到的链接矩阵。
p：要显示的截取高度（y轴的阈值），可以用于确定划分群集的横线位置。
truncate_mode：指定截取模式。默认为None，表示不截取，可以选择 'lastp' 或 'mlab' 来截取显示。
labels：数据点的标签，以列表形式提供。
leaf_font_size：叶节点的字体大小。
leaf_rotation：叶节点的旋转角度。
show_leaf_counts：是否显示叶节点的数量。
show_contracted：是否显示合并的群集。
color_threshold：显示不同颜色的阈值，用于将不同群集算法聚类为不同颜色。
above_threshold_color：超过阈值的线段颜色。
orientation：图形的方向，可以选择 'top'、'bottom'、'left' 或 'right'。

假设我们输出Z值，获得以下结果：

from scipy.cluster import hierarchy # 导入层次聚类算法
import numpy as np
import pandas as pd

# 生成示例数据
np.random.seed(0)
data = np.random.random((8,1))

# 使用树状图找到最佳聚类数
Z = hierarchy.linkage(data,method='weighted',metric='euclidean')
row_dist_linkage = pd.DataFrame(Z,
                              columns=['Row Label 1','Row Label 2','Distance','Item Number in Cluster'],
                              index=['Cluster %d' % (i+1) for i in range(Z.shape[0])])
print("\nData Distance via Linkage: \n",row_dist_linkage)

其中，第一列和第二列代表节点标签，包含叶子和枝子；第三列代表叶叶（或叶枝，枝枝）之间的距离；第四列代表该层次类中含有的样本数（记录数）。注：因此，我们可以第三列距离结合图来确定不同簇的样本数量。这里的数量为（n-1），即样本总数减1。

2、R语言

setwd("D:/Desktop/0000/R") #更改路径

df <- read.csv("iris.csv",header = T, row.names = 1) #读取工作路径文件
head(df) #查看前6行
hc <- hclust(dist(df))

library(ggtree)

ggtree(hc,layout="circular",branch.length = "daylight")+
  xlim(NA,3)+
  geom_tiplab2(offset=0.1,
               size=2)+
  #geom_text(aes(label=node))+
  geom_highlight(node = 152,fill="red")+
  geom_highlight(node=154,fill="steelblue")+
  geom_highlight(node=155,fill="green")+
  geom_cladelabel(node=152,label="virginica",
                  offset=1.2,barsize = 2,
                  vjust=-0.5,color="red")+
  geom_cladelabel(node=154,label="versicolor",
                  offset=1.2,barsize = 2,
                  hjust=1.2,color="steelblue")+
  geom_cladelabel(node=155,label="setosa",
                  offset=1.2,barsize = 2,
                  hjust=-1,color="green")

如果没有安装ggtree则先安装

install.packages("BiocManager")
BiocManager::install('ggtree')

除了上面这种方式外，我们还可以使用下面的方式获取（节点对齐）：

setwd("D:/Desktop/0000/R") #更改路径
library(dendextend) #install.packages("dendextend")
library(circlize) #install.packages("circlize")

df <- read.csv("iris.csv",header = T, row.names = 1) #读取工作路径文件
head(df) #查看前6行
aa <- hclust(dist(df))

# 设置画布大小为4英寸宽，4英寸高
par(mar = c(4, 4, 2, 2) + 0.1)
png("output.png", width = 4, height = 4, units = "in", res = 600)

hc <- as.dendrogram(aa) %>%
  set("branches_lwd", c(1.5)) %>% # 线条粗细
  set("labels_cex", c(.9)) # 字体大小

# 颜色
hc <- hc %>%
  color_branches(k = 10) %>%  #树状分支线条颜色
  color_labels(k = 10)         #文字标签颜色

# Fan tree plot with colored labels
circlize_dendrogram(hc,
                    labels_track_height = NA,
                    dend_track_height = 0.7)
# 结束绘图并关闭设备
dev.off()

文件数据样式：

更多学习视频：【R包使用】ggtree美化树状图_哔哩哔哩_bilibili、树状图展示聚类分析的结果_哔哩哔哩_bilibili