聚类是一种非常重要的无监督学习方法，聚类分析发展至今已经出现了多种不同的算法，层次聚类是其中的典型代表，python作为机器学习编程的有力工具，对多种聚类方法进行了集成，本文主要介绍利用python中集成的包进行层次聚类。
层次聚类首先需要选定一种距离度量，基于这种度量获取所有样本的距离矩阵。初始时先把每个点作为一个单独的簇，然后要再选定一种衡量簇与簇之间距离的度量，基于这种度量合并两个最近的簇，合并之后更新样本的距离矩阵。对这个过程进行循环操作，直到所有点被合并为一个簇为止。
这种方法的有点在于不需要提前指定聚类数量K，可以根据最终的计算结果，结合对聚类树状图的观察选取合理的结果，但随之而来的问题是计算量的增大。
python中实现方式如下：
import scipy.cluster.hierarchy as sch
import seaborn as sns
import matplotlib.pylab as plt #导入需要的包
Z = sch.linkage(matrix, method='average', metric='euclidean') #实现聚类的关键函数，其中matrix为数据阵，metric为计算两点间距离的方式，method为计算簇间距离的方式
label = sch.cut_tree(Z, height) #在聚类树状图的特定位置截取，可以获得不同的聚类结果，返回各点的类别标签
sch.dendrogram(Z) #绘制聚类树状图
plt.savefig('plot_dendrogram.png') #将聚类树状图保存为图片，运行程序即可自动显示
sns.clustermap(consen, method='average', metric='euclidean',cmap='RdYlBu_r') #绘制聚类热图，参数cmap代表不同的颜色显示模式
plt.savefig('plot_clustermap.png') #将热图保存为图片
利用python中的随机数函数生成一些中心不同的正太分布点，使用以上代码进行层次聚类，可以得到以下聚类树状图和热图：
