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：
