如何将含分类与连续变量的数据集转换为矩阵以构建相似性树状图？

你的思路完全正确——要做相似性树状图，第一步必须把包含分类和连续变量的数据集转换成距离矩阵，因为层次聚类（树状图的基础）依赖样本间的距离/相似性度量。下面给你两种主流工具的具体实现方案：

R语言实现 #

1. 计算混合变量距离：用cluster包的daisy()函数，它原生支持混合类型变量，默认用Gower距离（专门针对混合变量设计的距离算法）

   library(cluster)
   # 假设你的数据框是df，包含分类列cat1、cat2和连续列num1
   dist_matrix <- daisy(df, metric = "gower")
   

2. 层次聚类：用hclust()生成聚类树结构，聚类方法可以根据需求更换（比如complete、single，ward.D2是常用的最小化类内方差的方法）

   hc <- hclust(dist_matrix, method = "ward.D2")
   

3. 绘制树状图：

   plot(hc, main = "相似性树状图", xlab = "样本", ylab = "距离")
   

Python语言实现 #

1. 计算Gower距离：Python原生没有内置混合变量距离工具，需要用gower库（先通过pip install gower安装）

   import gower
   import scipy.cluster.hierarchy as sch
   import matplotlib.pyplot as plt
   
   # 假设df是你的pandas数据框
   dist_matrix = gower.gower_matrix(df)
   

2. 生成聚类树并绘图：

   linkage_matrix = sch.linkage(dist_matrix, method='ward')
   plt.figure(figsize=(10, 6))
   sch.dendrogram(linkage_matrix, labels=df.index, leaf_rotation=90)
   plt.title("相似性树状图")
   plt.xlabel("样本")
   plt.ylabel("距离")
   plt.show()
   

补充说明 #

• Gower距离是处理混合类型变量的首选，它会自动对不同类型变量做标准化和适配计算
• 聚类方法可以灵活调整：如果希望类间差异最大化，可选complete；如果想让相似样本优先聚在一起，可选single
• 若分类变量是有序类型（比如“低/中/高”），可以在计算距离时给不同变量设置权重，daisy()和gower_matrix()都支持权重参数

内容的提问来源于stack exchange，提问作者Diogo Bichon