1、常规聚类过程：
（2）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。
（2）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。
（3）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。
2、热图聚类过程：
（1）首先用dist()函数计算变量间距离
dist.r = dist(data, method=" ")
（2）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。
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。
dist.r = dist(data, method=" ")
hc.r = hclust(dist.r)
#cutree函数提取每个样本所属的类别
result = cutree(hc.r,k=4)
#cmdscale数据降维
temp = cmdscale(dist.r, k=2)
x = temp[,1]
y = temp[,2]
#作图
library（ggplot2）
p = ggplot(data.frame(x,y),aes(x,y))
p+geom_point(size=3,alpha=0.8,aes(colour = factor(result)))