如何在R中使用daisy(gower)绘制样本vs特征聚类热图

你计算得到的gower_dist是n×n的样本间相异度矩阵。要绘制样本对应特征的热图，需要以适配Gower度量逻辑归一化后的原始特征矩阵为绘制基底，样本聚类时指定用预先计算的Gower距离即可，具体实现步骤如下：

• 第一步：环境与数据准备
  你需要提前安装并加载cluster、pheatmap、scales三个包，其中scales用于特征归一化，保证热图的数值展示和Gower距离的计算逻辑一致。

• 第二步：特征归一化处理
  Gower距离计算时会自动对不同类型特征做尺度统一：连续型变量做min-max归一化到0-1区间，二分类/分类变量转0-1编码，因此你需要先对原始数据集做相同逻辑的归一化，保证热图颜色深浅可以对应特征的实际贡献。

• 第三步：绘制热图
  完整可运行代码如下：

# 加载依赖包
library(cluster)
library(pheatmap)
library(scales)

# 加载示例数据集
data(agriculture)
raw_df <- agriculture

# 按Gower距离的计算逻辑对所有特征做归一化
normalized_df <- as.data.frame(lapply(raw_df, function(col) {
  # 连续型特征做min-max归一化到0-1区间
  if (is.numeric(col)) {
    return(rescale(col, to = c(0, 1)))
  }
  # 分类/二分类特征转为0-1数值编码
  else {
    return(as.numeric(factor(col)) - 1)
  }
}))

# 计算样本间Gower距离
gower_dist <- daisy(raw_df, metric = "gower")
# 计算特征间的距离（已归一化可用欧氏距离）
feature_dist <- dist(t(normalized_df), method = "euclidean")

# 绘制样本×特征的探索性热图
pheatmap(
  mat = normalized_df,
  clustering_distance_rows = gower_dist, # 样本聚类使用预先计算的Gower距离
  clustering_distance_cols = feature_dist, # 特征聚类使用归一化后的欧氏距离
  show_rownames = TRUE,
  show_colnames = TRUE,
  main = "混合类型数据探索性热图（Gower距离聚类）",
  color = colorRampPalette(c("#2166AC", "#FFFFFF", "#B2182B"))(100) # 蓝白红渐变配色
)

如果需要绘制样本间相似度热图（即样本×样本的矩阵，颜色越深代表样本越相似），可使用以下代码：

# 将dist类型的相异度矩阵转为普通矩阵，并转为相似度矩阵（值越高越相似）
gower_similarity <- 1 - as.matrix(gower_dist)

pheatmap(
  mat = gower_similarity,
  clustering_distance_rows = gower_dist,
  clustering_distance_cols = gower_dist,
  main = "样本间Gower相似度热图",
  color = colorRampPalette(c("#FFFFFF", "#B2182B"))(100),
  show_rownames = TRUE,
  show_colnames = TRUE
)

注意事项 #

• 如果你的数据集包含有序分类变量，可在daisy函数中添加type = list(order = c("你的有序分类列名"))参数，保证距离计算逻辑正确，归一化时也会自动保留等级顺序。
• 如果不需要对特征做聚类，可在pheatmap参数中添加cluster_cols = FALSE关闭列聚类。

内容的提问来源于stack exchange，提问作者WenliL