Python实现简单层次聚类算法及可视化教程

周末不加班

发布时间：2026-10-13 | 3人浏览过

原创

本文介绍如何使用Python实现基础的层次聚类算法，通过计算组间最小距离进行迭代合并，并配合可视化展示聚类结果。代码包含数据生成、距离计算及绘图功能，适合初学者理解聚类原理与Python编程实践。

Python层次聚类算法实现与可视化

本文分享使用Python实现基础层次聚类算法及其可视化效果的具体代码，供读者参考学习。

该算法的核心逻辑是：在每一步迭代中，找出当前所有组之间距离最小的两个组合并为一个新组。

不同聚类算法的区别主要在于如何定义组间的距离，常见的定义方式包括最大距离、最小距离、平均距离以及马氏距离等。

具体实现代码如下所示：


import numpy as np
import data_helper
np.random.seed(1)
def get_raw_data(n):
 _data=np.random.rand(n,2)
 #生成数据的格式是n个（x,y）
 _groups={idx:[[x,y]] for idx,(x,y) in enumerate(_data)}
 return _groups
def cal_distance(cluster1,cluster2):
 #采用最小距离作为聚类标准
 _min_distance=10000
 for x1,y1 in cluster1:
  for x2,y2 in cluster2:
   _distance=(x1-x2)**2+(y1-y2)**2
   if _distance<_min_distance:
    _min_distance=_distance
 return _distance
groups=get_raw_data(10)
count=0
while len(groups)!=1:#判断是不是所有的数据是不是归为了同一类
 min_distance=10000
 len_groups=len(groups)
 
 for i in groups.keys():
  for j in groups.keys():
   if i>=j:
    continue
   distance=cal_distance(groups[i],groups[j])
   if distance<min_distance:
    min_distance=distance
    min_i=i
    min_j=j#这里的j>i
 groups[min_i].extend(groups.pop(min_j))
 data_helper.draw_data(groups)
 #一共n个簇，共迭代n-1次

程序运行效果为每执行一次迭代，数据组的数量减少一个。通过调用绘图函数，同一聚类组内的数据点将以相同的颜色显示。

以上内容为本文的全部分享，希望能为读者的学习提供有益帮助，同时也欢迎大家继续支持本站。