用R软件做聚类分析的例子ppt课件.ppt

应用统计分析实验 R软件,SPSS：这是一个很受欢迎的统计软件容易操作，输出漂亮，功能齐全，价格合理。对于非统计工作者是很好的选择。,SAS：这是功能非常齐全的软件；美国政府政策倾斜(“权威性”)许多美国公司使用。价格不菲,每年交费.即使赠送,条件苛刻尽管现在已经尽量“傻瓜化”，仍然需要一定的训练才可以进入。,R软件：免费的,志愿者管理的软件。编程方便，语言灵活，图形功能强大有不断加入的各个方向统计学家编写的统计软件包。也可以自己加入自己算法的软件包.这是发展最快的软件，受到世界上统计师生的欢迎。是用户量增加最快的统计软件。对于一般非统计工作者来说，主要问题是它没有“傻瓜化”。,Minitab：这个软件是很方便的功能强大而又齐全的软件，也已经“傻瓜化”，在我国用的不如SPSS与SAS那么普遍。Eviews：这是一个主要处理回归和时间序列的软件。GAUSS：这是一个很好用的统计软件，许多搞经济的喜欢它。主要也是编程功能强大。目前在我国使用的人不多。MATLAB：这也是应用于各个领域的以编程为主的软件，在工程上应用广泛。但是统计方法不多。,R的历史,S语言在1980年代后期在AT它是一个由志愿者组成的工作努力的国际团队,下载R软件http:/www.r-project.org,学习网站http:/www.biosino.org/pages/newhtm/r/schtml/,基本语法向量矩阵 list与data.frame读写数据文件控制语句与自定义函数,一.R软件的使用,基本语法,1.变量使用即定义:变量名区分大小写,也可用中文命名 变量赋值可采用4种形式：=，,assign()变量类型自动由变量赋值确定。,a=10;bc;assign(“d”,40)中国=“中华人民共和国”#生成字符串变量,2.注释符号#语句连接符;,3.算术运算符:+,-,*,/,(乘方),%(模),%/%(整除),4.常用的数学函数有:abs,sign,log,log2,log10,sqrt,exp,sin,cos,tan,acos,asin,atan,cosh,sinh，tanh,5.查看帮助 help(round)?abs,向量,向量的赋值(一维数组,下标从1开始)a=c(d1,d2,d3,)间隔为1的等差序列:a:b 指定间隔的等差序列:seq(from,to,by)seq(length,from,by)重复序列：rep(vec,times)rep(vec,times,len,each),a=c(3,5,8,10);b=1:10;c=seq(1,10,2);d=seq(-pi,pi,0.2)e=rep(a,3);f=rep(a,2,each=3),随机向量 rnorm(10)#10个服从标准正态分布的随机数,a=1:5(b=1:5)#同上，只不过显示出来a2#取出a中第二个元素ac(2,4)=c(4,8)#修改a中第2、4个元素分别为4、8a-5#扣除第5个元素取出来a3#判断a中元素是否小于31 TRUE TRUE FALSE FALSE FALSEaa3#取出a中小于3的元素a6=12a=a-c(1,3,5)#去掉第1、3、5元素.,2.向量的下标运算,3.向量的长度,length(a),matrix(data=NA,nrow=1,ncol=1,byrow=FALSE),A=matrix(1:10,2,5)B=matrix(1:10,2,5,byrow=TRUE)#按行放置元素,注意：默认是按列放置元素,1,2,3,4,51,1 2 3 4 52,6 7 8 9 10,1,2,3,4,51,1 3 5 7 92,2 4 6 8 10,矩阵(二维数组),x=matrix(rnorm(24),4,6)x2,1#第2,1元素xc(2,1),#第2和第1行x,c(1,3)#第1和第3列xx,10,1#第1列大于0的元素x,-c(1,3)#没有第1、3列的xx-2,-c(1,3)#没有第2行、第1、3列的x.,1.矩阵的元素访问,2.矩阵的维数问题 dim(A)#获得维数,返回向量nrow(A),ncol(A)#获得行数和列数,rownames(A),colnames(A)#访问各维名称,3.向量和数组/矩阵的转化:只要定义向量的维数即可实现向量和数组转化,c=1:12;a=matrix(c,nrow=2,ncol=6)dim(c)=c(3,4)b=as.vector(c)A=diag(c(1,4,5)#以向量为对角元生成对角矩阵a=diag(A)#获取矩阵的对角元,3.矩阵运算+,-,*,/分别是矩阵内部元素的四则运算 向量矩阵间：向量按列匹配与矩阵运算例如：A=matrix(1:6,nrow=3)B=matrix(10:15,nrow=3)C=c(100,200)则：A+B A*B A+C,11 17 10 52 101 204 13 19 22 70 202 10515 21 36 90 103 206,A%*%B#乘法t(mat)#转置det(mat)#行列式 solve(mat)#逆矩阵 eigen(mat)#求特征值与特征向量,4.多维数组,a=array(data=1:24,dim=c(2,3,4)a,1,列表和数据框,1.列表是一种特殊的对象集合，各元素类型任意生成：list(name1=value1,namen=valuen)访问/修改：对象名下标 或 对象名$namei,stu=list(age=10,name=“Tom”,interests=c(“swimming”,”drawing”)stu2stu$namestu$name=“john”names(stu)#得到所有的对象名,2.数据框是R的一种数据结构，以矩阵形式保存数据各列类型可以不同，每列为一变量，每行为样品 各列长度相等 data.frame(),stu=data.frame(name=c(Tom,Rose),age=c(30,32)names(stu)#得到所有的变量名 colnames(stu)#列名，同上rownames(stu)#得到行名 attach(x)#把数据框中的变量链接到内存中x=data.frame(matrix(1:6,nrow=2)#矩阵转化为数据框,x=data.frame(id=101:120,score=round(rnorm(20,70,10)#取出前两行数据x1:2,#选出score60的数据xx260,读写数据文件,读表格形式文本文件 read.table(file,header=FALSE,sep=“,)header表示第一行是否有变量名，sep表示数据分割的字符,D1=read.table(“e:test1.txt”,header=TRUE)D2=read.table(“clipboard”)#从剪贴板中获得文本数据,2.计算的数据保存成文本文件或CSV文本文件 write.table(data,file=“”)#纯文本格式,write.table(D1,file=“e:file_1.txt”),1.分支结构 单分支：if(条件)语句 if(条件)复合语句;双分支：if(条件)语句1 else 语句2 多分支：if()语句1 else if()语句2 else if()语句n else 语句n+1,x=1;if(x0)a=10;b=10 else a=20;b=20;,控制语句控制语句与自定义函数,2.循环结构 for(name in express)expr;while(condition)expr;repeat exprs;if(达到中止条件)break,例子：计算11+22+33+1010i=1;j=1;k=1;s1=0;s2=0;s3=0;for(i in 1:10)s1=s1+ii;#用for while(j10)break,fun-function(arg1,arg2,)注意：最后一句表达式的值为返回值,myfun=function(k)sum=0;for(i in 1:k)sum=sum+ii sum,自定义函数,统计量数据中心化与标准化和分布有关数据的图形表示统计图形,二.数据描述性统计,统计量,sum(),max(),min()mean()#平均值median()#中位数var()#方差sd()#标准差cov()#协方差阵，参数为矩阵或数据框cor()#相关系数，参数为矩阵或数据框summary()table()#列联表，统计不同值出现的个数,x=c(10,90,71:78)mean(x)mean(x,trim=0.10),A=cbind(c(90,60,70),c(85,66,95)apply(A,1,mean)#对每一行取平均apply(A,2,mean)#对每一列取平均cov(A)cor(A),数据中心化与标准化,scale(x,center=TRUE,scale=TRUE),dnorm(x,mean=0,sd=1)#计算正态分布的密度函数pnorm(p,mean=0,sd=1)#计算正态分布的分布函数qnorm(q,mean=0,sd=1)#计算正态分布的分位数rnorm(n,mean=0,sd=1)#计算n个正态分布的随机数其它分布的关键词：unif,exp,chisq,t,f,binom,pois,#得到参数为1的指数分布在2的密度函数值dexp(2,1)#产生5个均匀分布U(0,10)的随机数runif(5,0,10),和分布相关,抽样样本,x=sample(1:20,10)#从1，20中随机地不放回抽取10个值作为样本y=sample(1:20,10,replace=TRUE)#从1，20中随机地有放回抽取10个值作为样本,数据的图形表示,x=seq(-10,10,2);y=rnorm(11)plot(x,y)plot(x,y,main=散点图,xlab=横坐标x,ylab=纵坐标y)text(x,y,1:length(x),-1)#写入点序号,第三个参数默认如此plot(x,y,type=o,col=red,pch=2,lty=3),1.散点图 plot(x,y,),type=“p”#散点图，默认type=“l#绘实线type=“o”#实线通过所有的点type=“n”#不画点参数lty表示线的类型0=blank,1=solid(default),2=dashed,3=dotted,4=dotdash,5=longdash,6=twodash,低水平作图函数有points(x=,y=)#增加点（x,y)lines(x=,y=)#增加（x,y)连成的线abline(a=,b=)#增加线y=a+bxtext(x=,y=,labels=)#增加文本legend(x,y=,legend,col)#增加标注,x=seq(-10,10,2);y=rnorm(11)par(mfrow=c(3,1)#准备画3个图plot(x,y)plot(x,y,main=散点图,xlab=横坐标x,ylab=纵坐标y)text(x,y,1:length(x),-1)#写入点序号plot(x,y,type=o,col=red,pch=2,lty=3),2.散点图矩阵 pairs(x,),A=matrix(rnorm(72,70,20),nrow=24)pairs(A),3.多组散点图,matplot(x,y,),x=seq(0,2*pi,0.2)matplot(x,cbind(sin(x),cos(x),type=c(p,l),col=2:3),4.星座图 5.脸谱图,library(aplpack)faces(x),stars(x),例1.在同一图中绘制标准正态分布和自由度为5的t分布的概率密度图.,x=seq(-4,4,0.01)plot(x,dnorm(x),type=l,ylab=f(x),main=概率密度图)lines(x,dt(x,5),col=red,lty=2)legend(2,0.4,c(N(0,1),t(5),lty=1:2,col=c(black,red),x=seq(-4,4,0.01)matplot(x,cbind(dnorm(x),dt(x,5),type=l,ylab=f(x),main=概率密度图)legend(2,0.4,c(N(0,1),t(5),lty=1:2,col=1:2),lwl.andrews=function(X)t=seq(-pi,pi,0.2)n=nrow(X)f=matrix(0,nrow=length(t),ncol=n)for(i in 1:n)f,i=Xi,1/sqrt(2)for(j in 2:ncol(X)if(j%2=0)f,i=f,i+Xi,j*sin(j/2*t)else f,i=f,i+Xi,j*cos(j%/%2*t)matplot(t,f,col=1:n,type=o,main=调和曲线图),例2：绘制调和曲线图,实验一 R软件的使用,求矩阵B的行列式、逆矩阵、特征根和特征向量及ABA,实验目的：熟练使用R软件，掌握对向量、矩阵和数据框的操作和对数据的描述性统计,学号 性别 数学 语文 英语 物理1 3001 男 80 76 81 902 3002 男 55 67 79 633 3003 女 27 52 53 434 3004 女 62 57 66 695 3005 女 94 80 76 716 3006 男 97 59 61 747 3007 男 79 62 78 888 3008 男 70 92 78 839 3009 女 67 66 65 5510 3010 男 97 46 55 7511 3011 男 84 82 88 9212 3012 男 40 57 67 5313 3013 男 72 70 80 8414 3014 男 43 31 56 6015 3015 男 95 75 58 7416 3016 男 62 85 91 8317 3017 女 71 76 68 7418 3018 男 80 40 52 7119 3019 女 96 75 77 8020 3020 女 82 51 73 7721 3021 女 70 73 85 7722 3022 男 61 40 47 5623 3023 女 64 75 66 7124 3024 女 60 21 48 6525 3025 男 81 88 80 8426 3026 女 89 54 65 7127 3027 男 55 38 58 6228 3028 女 60 54 68 6229 3029 男 65 63 65 7530 3030 男 69 55 73 7531 3031 男 80 29 61 6832 3032 男 91 59 73 8533 3033 男 69 73 75 7834 3034 女 90 88 73 8735 3035 女 64 70 72 77,2.某班35人期末成绩见右图绘制四科成绩的散点图矩阵、雷达图和脸谱图绘制前5名学生各科成绩的轮廓图绘制数学与物理成绩的散点图，其中男生与女生用不同的颜色和形状的点表示。,计算四科成绩的平均分和相关矩阵分性别统计四科成绩的平均分,例3.在同一图中绘制二项分布B(10,0.2)、泊松分布P(2)的概率分布图形.,三.回归分析,与线性回归相关常用函数全局挑选最佳自变量组合逐步回归,lm()#建立线性回归模型summary()#提取模型资料predict()#用模型作预测plot()#绘制模型诊断的几种图形,与线性回归相关常用函数,lm(yx)#y为向量,x可为向量与矩阵lm(yx+0)#回归方程没有常数项lm(yx1+x2+I(x12)#自变量有三项x1,x2,x12,lm(yx1+x2,data=X)#X为数据框,y,x1,x2为其中变量名lm(y.,data=X)#自变量为其它所有变量lm(y.-x2,data=X)#自变量为除x2的其它所有变量,例1：某气象站收集了15年关于年初的最高温度X(从1月11日算起)与秋季第一次强冷空气出现日期Y(从9月11日算起)的数据，,flm=lm(yx)summary(flm)plot(x,y,main=一元回归图)abline(flm)points(x,flm$fitted,col=red,pch=3),常数项,回归系数,回归系数的标准差,t检验值,t检验P值。标注*，则说明此项回归系数显著不为零，即有意义,模型残差的标准差的估计量,决定系数R2,修正后的决定系数,回归方程的F检验统计量值及检验P值,Residuals:Min 1Q Median 3Q Max-7.3217-1.6211-0.1418 1.5485 6.0382 Coefficients:Estimate Std.Error t value Pr(|t|)(Intercept)3.36014 2.06876 1.624 0.128 x 0.82006 0.08895 9.219 4.58e-07*-Signif.codes:0*0.001*0.01*0.05.0.1 1 Residual standard error:3.243 on 13 degrees of freedomMultiple R-squared:0.8673,Adjusted R-squared:0.8571 F-statistic:84.99 on 1 and 13 DF,p-value:4.584e-07,若需编程，很多信息存放在lm和summary对象中flm$coef#得到回归系数flm$resi#得到残差向量flm$fitt#得到拟合向量summary(flm)$sigma#模型残差的标准差的估计量summary(flm)$r.squared#决定系数R2summary(flm)$adj.r.squared#修正后的决定系数,#预测，注意第二个参数为数据框类型，成员名称必须与原始的自变量一致predict(flm,data.frame(x=c(14,26)predict(flm,data.frame(x=c(14,26),interval=prediction)#区间预测 fit lwr upr1 14.84093 7.472051 22.20982 24.68160 17.389301 31.9739,例2:回归模拟,x=runif(30,0,10)#均匀分布的随机数x=sort(x)y=3*x-0.2*x2+rnorm(x)#y与x的准确关系plot(x,y)l1=lm(yx);l2=lm(yx+0);l3=lm(yx+I(x2);l4=lm(yx+I(x2)+0)abline(l1,col=red,lty=1);abline(a=0,b=l2$coef,col=green,lty=2)lines(x,l3$fit,col=blue,lty=3)lines(x,l4$fit,col=orange,lty=4)legend(bottomright,legend=c(线性,无常数项线性,二次,二次无常数项),col=c(red,green,blue,orange),lty=1:4),实验二：最小二乘估计的求解及检验,全局挑选最佳自变量组合,library(leaps)r=summary(regsubsets(y.,data=X)n=nrow(X)aic=n*log(r$rss/n)+2*apply(r$which,1,sum)#计算AIC统计量 data.frame(r$outmat,r$rss,r$rsq,r$adjr2,r$cp,AIC=aic),例：水泥放热数据挑选最佳自变量组合,x1 x2 x3 x4 y1 7 26 6 60 78.52 1 29 15 52 74.33 11 56 8 20 104.34 11 31 8 47 87.65 7 52 6 33 95.96 11 55 9 22 109.27 3 71 17 6 102.78 1 31 22 44 72.59 2 54 18 22 93.110 21 47 4 26 115.911 1 40 23 34 83.812 11 66 9 12 113.313 10 68 8 12 109.4,残差平方和,决定系数R2,修正后的决定系数,Cp统计量,AIC统计量,step(lm(y.,data=X)step(lm(y1,data=X),+x1+x2+x3+x4),逐步回归,实验三：回归分析中的自变量的挑选,四.判别分析,距离判别Bayes判别fisher判别,#计算马氏距离mahalanobis(x,center,cov,inverted=FALSE,.),距离判别,某总体的中心即均值向量,某总体的协方差阵,若设为TRUE,表明cov已求逆。默认为False,dda1=function(x,newx=NULL)#x 为训练样本，最后一列为类别,newx为待判样本 x=as.matrix(x);p=ncol(x)-1;#变量个数 k=max(x,p+1);#类别个数 n=nrow(x);#已知数据的个数 if(is.null(newx)|ncol(newx)!=p)newx=x,1:p#如果待判样本newX为空，则为训练样本 m=nrow(newx);#待判数据的个数 md=matrix(-1,m,k);#距离矩阵k列，分别为到k个总体的距离 colnames(md)=paste(Dis,1:k,sep=);newClass=rep(-1,m);#新的类别 cov_each=matrix(0,nrow=p,ncol=p);for(i in 1:k)temp=xx,p+1=i,1:p;center=apply(temp,2,mean);#计算当前总体的中心 cov_each=cov(temp)md,i=mahalanobis(newx,center,cov_each);#计算待判样本到当前总体的马氏距离 newClass=apply(md,1,which.min);#距离矩阵md每一行最小的列就是归属类 list(matrix_Distance=md,newClass=newClass),假设各总体协方差阵不相等时的距离判别,例1,湿度差 压温差 q1-1.9 3.2 12-6.9 10.4 13 5.2 2.0 14 5.0 2.5 15 7.3 0.0 16 6.8 12.7 17 0.9-15.4 18-12.5-2.5 19 1.5 1.3 110 3.8 6.8 111 0.2 6.2 212-0.1 7.5 213 0.4 14.6 214 2.7 8.3 215 2.1 0.8 216-4.6 4.3 217-1.7 10.9 218-2.6 13.1 219 2.6 12.8 220-2.8 10.0 2,假设协方差阵不等时的距离判别结果：,$MarsDistances,1,2 1,0.23479212 2.1460083 2,3.03833480 6.9243049 3,0.45790973 7.3283556 4,0.40796928 6.6425393 5,1.15825305 13.3381431 6,2.44342495 9.2742507 7,5.21569514 31.8233372 8,4.51109115 31.4452037 9,0.02172825 3.563276810,0.51080152 2.993595011,0.31493244 0.424259912,0.55187015 0.108792313,2.70320062 1.909028514,0.67515753 1.535877515,0.07154715 4.372183116,0.90447066 4.101480217,1.61226774 0.491871018,2.57485181 1.714143219,1.92540870 2.343094320,1.56318137 0.9992699,$newClass 1 1 1 1 1 1 1 1 1 1 1 2 2 1 1 1 2 2 1 2,实验目的：掌握距离判别准则和R软件编程实验任务：编写假设各总体协方差阵相等时的距离判别算法，并对p182数据进行距离判别,实验四：距离判别,Bayes判别,Library(MASS)qda()#Quadratic discriminant analysis.#其实质是正态总体时的最大后验概率准则,Library(MASS)#默认先验概率prior 为各组数据所占比例qd=qda(g.,data=X)#X为数据框类型，含有类别gqd=qda(x,g)#x中不含类别，g为类别,z=predict(qd,test)#test为待判样本,若省略，则对训练样本判别z$class#类别结果z$posterior#后验概率table(X$g,z$class)#若对训练样品判别，可输出判对情况,library(MASS)qd=qda(g.,data=X)predict(qd)$class 1 2 1 1 1 1 1 1 1 1 2 2 2 2 2 1 1 2 2 2 2plot(X,1:2,pch=X,3,col=X,3)text(X,1,X,2,adj=-0.5,col=X,3),湿度差 压温差 q1-1.9 3.2 12-6.9 10.4 13 5.2 2.0 14 5.0 2.5 15 7.3 0.0 16 6.8 12.7 17 0.9-15.4 18-12.5-2.5 19 1.5 1.3 110 3.8 6.8 111 0.2 6.2 212-0.1 7.5 213 0.4 14.6 214 2.7 8.3 215 2.1 0.8 216-4.6 4.3 217-1.7 10.9 218-2.6 13.1 219 2.6 12.8 220-2.8 10.0 2,#舍一验证qd=qda(g.,data=X,CV=TRUE),$class 1 2 2 1 1 1 1 1 1 1 2 2 2 2 2 1 1 2 2 2 2,ld=lda(G.,data=X)ld$scaling#投影方向z=predict(ld,test)z$classz$posterior#后验概率z$x#X*ld$scaling中心化后的矩阵,费希尔判别数据降维后，在各组协方差阵相等下进行的最大后验概率准则判别,湿度差 压温差 q1-1.9 3.2 12-6.9 10.4 13 5.2 2.0 14 5.0 2.5 15 7.3 0.0 16 6.8 12.7 17 0.9-15.4 18-12.5-2.5 19 1.5 1.3 110 3.8 6.8 111 0.2 6.2 212-0.1 7.5 213 0.4 14.6 214 2.7 8.3 215 2.1 0.8 216-4.6 4.3 217-1.7 10.9 218-2.6 13.1 219 2.6 12.8 220-2.8 10.0 2,ld$scaling LD1湿度差-0.0682677压温差 0.1562112 predict(ld)$class 1 1 2 1 1 1 2 1 1 1 1 2 2 2 2 1 2 2 2 2 2,library(MASS)class1=predict(qda(class.,data=train)$class#Bayes判别class2=predict(lda(class.,data=train)$class#Fisher线性判别newtrain=predict(lda(class.,data=train)$xclass3=predict(qda(newtrain,train$class)$class#Fisher投影后再做Bayes判别rbind(class1,class2,class3)table(train$class,class1)table(train$class,class2)table(train$class,class3),class1 2 1 1 1 1 1 1 1 1 2 2 2 2 2 1 1 2 2 2 2class2 1 2 1 1 1 2 1 1 1 1 2 2 2 2 1 2 2 2 2 2class3 1 2 1 1 1 2 1 1 1 2 2 2 2 2 1 2 2 2 2 2,228134201124513410402001671227170150781001672014225125714130100612150117761201331026160100510185115519170125641651425313510821210011772,例2：,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15class1 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3class2 1 1 1 3 1 2 2 3 2 2 2 3 3 3 3class3 1 1 1 1 1 2 2 3 2 2 2 3 3 3 3,实验五 判别分析实验目的：掌握Bayes判别和Fisher判别的基本原理及R软件实现实验任务：,费希尔于1936年发表的鸢尾花数据是对3种鸢尾花：刚毛鸢尾花、变色鸢尾花和弗吉尼亚鸢尾花个抽取容量为50的样本，测量其花萼长、花萼宽、花瓣长和花瓣宽。请将用每组前30个作为训练样本，剩余数据作为待判样本进行如下判别：1.进行Bayes判别，输出60个待判样本的判别结果。2.进行Fisher线性判别，输出投影矩阵及60个待判数据的判别结果，并画出训练样本投影后的散点图，不同类别的点用不同的符号和颜色表示。3.将第2题中投影后的数据进行Bayes判别，输出60个待判数据的判别结果。,R软件中已有数据iris，iris3，且如下可得到题中的训练样本。train=data.frame(rbind(iris31:30,1,iris31:30,2,iris31:30,3),class=rep(c(1,2,3),each=30),五.聚类分析,系统聚类快速聚类,d=dist(scale(X),method=euclidean)#默认是欧式距离hc1=hclust(d,method=complete)plot(hc1,hang=-1,main=聚类谱系图最长距离法),系统聚类,d=dist(scale(X)hc1=hclust(d2,method=centroid)hc1$height=sqrt(hc1$height)cbind(hc1$merge,hc1$height)plot(hc1,hang=-1,main=聚类谱系图重心法),注意：“median”中间距离法；“centroid”重心法；“ward”离差平方和法这三种应以欧式距离的平方矩阵为递推矩阵。,和谱系图有关的还有as.dendrogram(x,type=c(“rectangle“,“triangle“),horiz=FALSE),d=dist(c(1,2,6,8,11,13,15)hc1=hclust(d)dend1=as.dendrogram(hc1)par(mfrow=c(2,2)plot(dend1)plot(dend1,type=t,nodePar=list(pch=c(1,NA)plot(dend1,horiz=T)plot(dend1,edgePar=list(col=gray,lwd=2),nodePar=list(col=3:2,cex=c(2.0,0.75),pch=21:22,bg=c(light blue,pink),cutree(hc1,3)或者rect.hclust(hc1,k=3,border=red),根据系统聚类划分为若干个类,变量聚类,d=as.dist(sqrt(1-cor(X)2)#将相关系数转化为距离矩阵hc1=hclust(d,method=single)plot(hc1,hang=-1),快速聚类（k均值聚类）,kmeans(x,centers)#centers为聚类个数,实验六：聚类分析,实验目的：掌握系统聚类和k均值聚类的原理，并熟练使用R软件实现实现任务：了研究亚洲各国发展情况，选取了20个国家的六个指标数据，进行以下聚类选取前四个指标，用标准化数据的欧式距离作用距离度量，分别按最小距离、类平均距离、重心法和Ward法和最大距离法分别对这些国家做聚类，画出聚类谱系图。并输出按Ward法分成三类的结果用相关系数转化为距离，分别按最小距离法和类平均距离对这些变量做聚类，画出聚类谱系图。并输出按类平均法分成两类的结果。,