完全可以实现你的需求——只调整树状图分支的左右顺序，不改动任何聚类数据或距离计算结果。核心思路是直接修改scipy生成的链接矩阵Z，因为树状图的分支顺序完全由这个矩阵的结构决定。

先搞懂链接矩阵Z的结构 #

linkage()生成的Z是一个(n-1)×4的矩阵，每一行代表一次合并操作：

• 第1、2列：被合并的两个簇/样本的索引（样本索引从0开始，簇的索引从n开始）
• 第3列：两个簇之间的距离
• 第4列：合并后簇包含的样本数量

你要做的就是找到对应分裂步骤的那一行，交换第1、2列的值——这样树状图绘制时就会把原来的左分支放到右边，右分支放到左边，完全不影响距离和聚类逻辑。

具体操作步骤 #

1. 定位目标分裂行
   先运行你原有的代码，观察树状图：你提到的标签11和25所在分支是从大簇中分离出来的，对应的就是Z中最后几次合并的某一行（因为层次聚类是从下往上合并）。
   或者你可以通过dendrogram()的返回值来精准定位：

   # 先获取树状图的结构信息，不绘图
   dend = dendrogram(Z, no_plot=True)
   # 查看叶子节点的顺序，反向推导对应的合并行
   print(dend['leaves'])
   

2. 修改链接矩阵Z
   假设你定位到目标合并行是第k行（索引从0开始），直接交换该行的前两个元素：

   # 比如找到目标行是Z的最后一行（对应最大簇的分裂）
   target_row = len(Z) - 1
   # 交换左右分支索引
   Z[target_row, 0], Z[target_row, 1] = Z[target_row, 1], Z[target_row, 0]
   

3. 重新绘制树状图
   修改后的Z可以直接用来绘制树状图，此时你想要的分支就会出现在右侧了。

完整修改后的代码示例 #

import numpy as np
import matplotlib.pyplot as plt
from scipy.cluster.hierarchy import dendrogram, linkage

# 生成数据集
np.random.seed(65)
a = np.random.multivariate_normal([10, 0], [[3, 1], [1, 4]], size=[10,])
b = np.random.multivariate_normal([0, 20], [[3, 1], [1, 4]], size=[20,])
X = np.concatenate((a, b),)

# 创建聚类链接
Z = linkage(X, 'ward')

# 定位并交换目标分支（这里直接选取最后一行，对应最大簇的分裂）
target_row = len(Z) - 1
Z[target_row, 0], Z[target_row, 1] = Z[target_row, 1], Z[target_row, 0]

# 绘制调整后的树状图
plt.figure(figsize=(15, 5))
plt.title('Adjusted Hierarchical Clustering Dendrogram')
plt.xlabel('sample index')
plt.ylabel('distance')
dendrogram(
    Z,
    leaf_rotation=90.,
    leaf_font_size=12.,
)
plt.show()

注意事项 #

• 这种修改仅影响可视化效果，不会改变聚类的距离、簇的组成等核心数据。
• 如果需要调整更底层的分支，只需要找到对应合并行重复交换操作即可。
• 如果你不确定目标行，可以多打印Z的内容或者结合dendrogram()返回的icoord（分支坐标）信息来辅助定位。

内容的提问来源于stack exchange，提问作者dmeu