如何用hclust绘制聚类结果？求R语言类似kmeans的聚类绘图方法

当然有办法啦！我来一步步给你讲清楚怎么用hclust实现类似kmeans的聚类绘图效果，再给你推荐几个好用的工具函数～

hclust属于层次聚类，和kmeans的聚类逻辑不同，但我们可以通过几个步骤实现和你给出的kmeans代码一样的可视化效果：

1. 先对数据做标准化（和kmeans的步骤保持一致，避免变量尺度影响）
2. 计算样本间的距离（常用欧氏距离，也可以根据需求换曼哈顿、余弦等）
3. 构建层次聚类树
4. 切割聚类树，得到指定数量的簇
5. 用聚类结果给原始数据点着色绘图

具体代码如下：

# 数据标准化
data_scaled <- scale(data)

# 计算样本间欧氏距离
dist_matrix <- dist(data_scaled, method = "euclidean")

# 执行层次聚类，这里用ward.D2方法（聚合类内方差最小的策略，也可换single/complete等）
fit_hclust <- hclust(dist_matrix, method = "ward.D2")

# 切割聚类树，分成3个簇（和kmeans的k=3对应）
clusters_hclust <- cutree(fit_hclust, k = 3)

# 绘制和kmeans效果一致的2D着色图
plot(data_scaled, col = clusters_hclust, pch = 16, main = "Hierarchical Clustering Results")

注意：hclust的聚类结果可能和kmeans略有差异，毕竟两者的聚类逻辑不同，但可视化的呈现形式是完全一致的——按聚类类别给原始数据点着色。

如果想要更简便、美观的可视化，或者支持更多聚类算法，推荐这些实用工具：

• factoextra包的fviz_cluster函数：这是聚类可视化的利器，支持kmeans、hclust、dbscan等多种聚类方法，自动处理细节，输出美观的结果：

library(factoextra)

# kmeans聚类可视化
fviz_cluster(kmeans(data_scaled, 3), data = data_scaled, geom = "point")

# hclust聚类可视化（先把聚类结果整理成函数需要的格式）
hc_result <- list(data = data_scaled, cluster = clusters_hclust)
fviz_cluster(hc_result, geom = "point")

• ggplot2自定义绘图：如果你需要高度自定义绘图细节，用ggplot2结合聚类结果来画会非常灵活：

library(ggplot2)

# 把标准化数据转换成数据框，添加聚类标签
data_df <- as.data.frame(data_scaled)
data_df$cluster <- as.factor(clusters_hclust)

# 绘制散点图
ggplot(data_df, aes(x = V1, y = V2, color = cluster)) +
  geom_point(size = 3) +
  theme_minimal() +
  labs(title = "Clustering Results with ggplot2")

• dbscan包（密度聚类）：如果你的数据适合密度聚类，dbscan包可以实现，同样能轻松可视化：

library(dbscan)
# 执行密度聚类，eps是邻域半径，minPts是邻域内最小样本数
fit_dbscan <- dbscan(data_scaled, eps = 0.5, minPts = 5)
# +1是为了把噪声点（标记为0）换成不同的颜色
plot(data_scaled, col = fit_dbscan$cluster + 1, pch = 16, main = "DBSCAN Clustering Results")

内容的提问来源于stack exchange，提问作者Abdirizak