在R中基于皮尔逊相关系数阈值手动实现样本聚类

核心逻辑说明 #

你需要的聚类规则本质是无向图的连通分量查找：两个样本皮尔逊相关系数大于阈值则存在连接，存在连接路径的所有样本归为同一簇，不需要调用kmeans、层次聚类等现成聚类算法。

注意：你之前的代码用c作为变量名容易和R内置的c()函数冲突，建议修改为cor_mat避免运行报错。

完整实现代码 #

步骤1：复现你已有的距离计算逻辑 #

# 计算样本间皮尔逊相关系数
cor_mat <- round(cor(t(df)), digits = 2)
# 转换为距离矩阵（距离=1-相关系数）
d <- as.dist(1 - cor_mat)

步骤2：设定阈值并构造邻接矩阵 #

# 自定义相关系数阈值，可按需修改
cor_threshold <- 0.7
# 构造邻接矩阵：值为TRUE代表两个样本满足同簇条件
adj_matrix <- cor_mat >= cor_threshold
# 强制对角线为TRUE，样本自身默认属于同一簇
diag(adj_matrix) <- TRUE

步骤3：查找连通分量得到聚类编号 #

提供两种实现方式，按需选择：

方式1：无额外依赖，手动深度优先搜索实现

n_sample <- nrow(df)
visited <- rep(FALSE, n_sample)
cluster_id <- rep(NA, n_sample)
current_cluster_num <- 1

for (i in 1:n_sample) {
  if (!visited[i]) {
    search_queue <- i
    visited[i] <- TRUE
    cluster_id[i] <- current_cluster_num
    # 深度优先搜索所有连通节点
    while (length(search_queue) > 0) {
      current_node <- search_queue[1]
      search_queue <- search_queue[-1]
      # 找到所有和当前节点连通的未访问样本
      neighbors <- which(adj_matrix[current_node, ] & !visited)
      visited[neighbors] <- TRUE
      cluster_id[neighbors] <- current_cluster_num
      search_queue <- c(search_queue, neighbors)
    }
    current_cluster_num <- current_cluster_num + 1
  }
}

方式2：使用igraph包简化计算（仅做图连通性计算，未调用聚类算法）

# 未装包先执行 install.packages("igraph")
library(igraph)
# 从邻接矩阵构造无向图
g <- graph_from_adjacency_matrix(adj_matrix, mode = "undirected", diag = FALSE)
# 提取连通分量编号
cluster_id <- components(g)$membership

步骤4：将聚类编号写入原数据框 #

df$cluster_id <- cluster_id

示例结果匹配说明 #

对应你提供的距离矩阵，阈值设为0.7时聚类结果为：

• 簇1：U00、U01（相关系数0.95>0.7）
• 簇2：U02（和其他所有样本相关系数最高仅0.08<0.7）
• 簇3：U03、U04、U05、U06（两两相关系数均为1>0.7）

内容的提问来源于stack exchange，提问作者ncnc_2020