使用Scipy进行DataFrame层次聚类：按列还是按行？

首先直接给你明确答案：Scipy的层次聚类工具（比如scipy.cluster.hierarchy.linkage）默认是按行处理样本的——每一行代表一个待聚类的样本，每一列代表样本的一个特征。

接下来拆解你的疑问：

1. 转置DataFrame结果不同的原因 #

当你转置DataFrame后，原来的特征列变成了新的行（样本），原来的样本行变成了新的列（特征）。这时候聚类的对象完全变了：

• 原DataFrame（样本×特征）：聚类的是样本（比如不同的用户、实验样品）
• 转置后（特征×样本）：聚类的是特征（比如不同的指标、变量）

举个简单的代码例子：

import pandas as pd
from scipy.cluster.hierarchy import linkage

# 构造样本×特征的DataFrame
df = pd.DataFrame({
    'feature1': [1, 2, 3],
    'feature2': [4, 5, 6]
}, index=['sample1', 'sample2', 'sample3'])

# 聚类样本（行）
sample_linkage = linkage(df)
# 聚类特征（转置后的行）
feature_linkage = linkage(df.T)

这两个linkage结果完全不同，因为它们聚类的对象根本不一样。

2. 所谓“按列聚类是标准做法”的误区 #

你听到的“标准做法”其实是分场景的：

• 如果你的目标是特征聚类（比如把相关性高的指标归为一类，简化后续分析），那确实需要转置后按原列（转置后的行）来聚类，这时候有人会说“按列做”；
• 如果目标是样本聚类（比如把相似的客户分组），那标准做法就是直接按行处理样本。

没有绝对的“必须按列”，核心是看你要聚类的是样本还是特征。

3. Scipy文档里的隐藏说明 #

其实Scipy的文档里是有明确说明的，只是可能你没留意到：在linkage函数的参数说明里，输入的二维数组y被定义为(n_samples, n_features)——也就是行是样本数，列是特征数。函数会默认计算样本之间的距离（行与行的距离），再进行聚类。

总结 #

判断是否需要转置，只需要想清楚：你要把哪些对象聚在一起？

• 聚样本 → 直接用原DataFrame（行=样本）
• 聚特征 → 转置DataFrame（转置后的行=原特征）

内容的提问来源于stack exchange，提问作者pyrifo