基于R的hierarchical clustering：如何确定各组包含的观测样本

嗨，这个问题我太熟了！当样本量超大时，树状图确实没法看清每个样本的分组，不过R里有个超级实用的工具可以帮你轻松提取各组的样本，下面给你一步步拆解操作：

核心方法：用cutree()提取分组 #

不管你是用基础包的hclust()还是cluster包的agnes()做层次聚类，cutree()都能直接把聚类结果拆分成指定数量的组，然后就能轻松查看每个组里的样本了。

步骤1：先完成层次聚类（回顾流程） #

假设你已经有了自己的海量数据集，这里用mtcars做示例（原理完全适用于大样本）：

# 加载数据并标准化（层次聚类建议先标准化变量）
data(mtcars)
scaled_data <- scale(mtcars)

# 计算距离矩阵（比如欧氏距离）
dist_matrix <- dist(scaled_data, method = "euclidean")

# 执行层次聚类（这里用ward.D2方法，你可以换成自己用的方法）
hc <- hclust(dist_matrix, method = "ward.D2")

步骤2：确定聚类组数 #

你可以通过绘制树状图来判断合适的组数：

plot(hc)
# 如果样本太多树状图挤在一起，也可以用`rect.hclust()`给不同组加框，辅助判断
rect.hclust(hc, k = 3, border = 2:4) # 比如假设分成3组

或者你也可以根据聚类树的高度来分组（比如h=5，对应树状图上的高度刻度）。

步骤3：提取各组的样本 #

方法1：生成每个样本的组标签

用cutree()生成每个样本对应的组号：

# 按组数k拆分，比如k=3
cluster_labels <- cutree(hc, k = 3)
# 或者按高度h拆分：cluster_labels <- cutree(hc, h = 5)

# 查看带样本名的组标签（直接看哪些样本在哪个组）
cbind(Sample_Name = rownames(mtcars), Cluster_Number = cluster_labels)

方法2：拆分数据集到各个组

如果需要查看每组的完整数据，可以用split()把原始数据按组拆分：

# 按聚类标签拆分数据
grouped_data <- split(mtcars, cluster_labels)

# 查看第1组的所有样本数据
grouped_data[[1]]
# 只看第2组的样本名称
rownames(grouped_data[[2]])

注意：如果你的数据集特别大，split()可能会占用较多内存，此时优先用下面的方法提取样本名称更高效。

方法3：提取特定组的样本

如果你只需要某一组的样本，直接用subset()或者索引提取：

# 提取第3组的样本数据
subset(mtcars, cluster_labels == 3)

# 只提取第3组的样本名称
rownames(mtcars)[cluster_labels == 3]

方法4：统计各组样本数量

快速看一下每个组有多少样本：

table(cluster_labels)

如果你用的是cluster包的agnes()聚类 #

方法完全一致，cutree()同样支持agnes对象：

library(cluster)
agn <- agnes(scaled_data, method = "ward")
cluster_labels_agn <- cutree(agn, k = 3)

内容的提问来源于stack exchange，提问作者Adeeba Naseem