R:层次聚类分析-dist、hclust、heatmap等

Posted 2023-04-17

参考技术A 1、常规聚类过程：

（2）首先用dist()函数计算变量间距离

dist.r = dist(data, method=" ") 

其中method包括6种方法，表示不同的距离测度："euclidean", "maximum", "manhattan", "canberra", "binary" or "minkowski"。相应的意义自行查找。

（2）再用hclust()进行聚类

hc.r = hclust(dist.r, method = “ ”) 

其中method包括7种方法，表示聚类的方法："ward", "single", "complete","average", "mcquitty", "median" or "centroid"。相应的意义自行查找。

（3）画图

plot(hc.r, hang = -1,labels=NULL) 或者plot(hc.r, hang = 0.1,labels=F)

hang 等于数值，表示标签与末端树杈之间的距离，

若是负数，则表示末端树杈长度是0，即标签对齐。

labels 表示标签，默认是NULL，表示变量原有名称。labels=F :表示不显示标签。

2、热图聚类过程：

（1）首先用dist()函数计算变量间距离

dist.r = dist(data, method=" ")

（2）用heatmap()函数进行热点图聚类

对于heatmap中具体参数，这里不做过多介绍，可在帮助文档中找说明。除此heatmap函数之外，gplots包中的heatmap.2()函数，也可以做热点图聚类。

heatmap(as.matrix(dist.r))

3、多维标度和聚类的结果:

MDS方法对距离矩阵进行降维，用不同的颜色来表示聚类的结果。

dist.r = dist(data, method=" ")

hc.r = hclust(dist.r)

#cutree函数提取每个样本所属的类别

result = cutree(hc.r,k=4)

#cmdscale数据降维

temp = cmdscale(dist.r, k=2)

x = temp[,1]

y = temp[,2]

#作图

library（ggplot2）

p = ggplot(data.frame(x,y),aes(x,y))

p+geom_point(size=3,alpha=0.8,aes(colour = factor(result)))

R中层次聚类的奇怪错误

【中文标题】R中层次聚类的奇怪错误

【英文标题】：Strange error of Hierarchical Clustering in R

【发布时间】：2012-03-16 11:32:00

【问题描述】：

我的 R 程序如下：

hcluster <- function(dmatrix) 
    imatrix <- NULL
    hc <- hclust(dist(dmatrix), method="average")
    for(h in sort(unique(hc$height))) 
        hc.index <- c(h,as.vector(cutree(hc,h=h)))
        imatrix <- cbind(imatrix, hc.index)
    
    return(imatrix)


dmatrix_file = commandArgs(trailingOnly = TRUE)[1]
print(paste('Reading distance matrix from', dmatrix_file))
dmatrix <- as.matrix(read.csv(dmatrix_file,header=FALSE))

imatrix <- hcluster(dmatrix)
imatrix_file = paste("results",dmatrix_file,sep="-")
print(paste('Wrinting results to', imatrix_file))
write.table(imatrix, file=imatrix_file, sep=",", quote=FALSE, row.names=FALSE, col.names=FALSE)
print('done!')

我的输入是一个距离矩阵（当然是对称的）。当我使用大于大约数千条记录的距离矩阵执行上述程序时（数百条记录都没有发生），它给了我错误消息：

Error in cutree(hc, h = h) : 
  the 'height' component of 'tree' is not sorted
(increasingly); consider applying as.hclust() first
Calls: hcluster -> as.vector -> cutree
Execution halted

我的机器有大约 16GB 的 RAM 和 4CPU，所以不会是资源问题。

谁能告诉我有什么问题？谢谢！！

【问题讨论】：

天真的实现，层次聚类有O(n^3)的复杂度（实际上，已知的O(n^2)算法只针对一些专门的版本，见SLINK，CLINK）。它可能确实是一个复杂性问题，尽管错误看起来不像这样。

我想更深入一点，您能否发布 dmatrix_file 的示例并指导如何扩大规模？

同意 Peter 的观点 - 你不能提供 dmatrix_file 或相同尺寸的虚拟数据集吗？

【参考方案1】：

我不是一个 R 向导 - 但我遇到了这个问题。

这里描述了一个可能的答案：

https://stat.ethz.ch/pipermail/r-help/2008-May/163409.html

【讨论】：

TL;DR hc$height

【参考方案2】：

看这里的cutree函数 http://code.ohloh.net/file?fid=QM4q0tWQlv2VywAoSr2MfgcNjnA&cid=ki3UJjFJ8jA&s=cutree%20component%20of%20is%20not%20sorted&mp=1&ml=1&me=1&md=1&browser=Default#L1

您可以尝试为组数添加 k 缩放器，这将覆盖高度参数。如果不是，您可以查看 hc$height 是什么，因为如果它不是数字、复数、字符或逻辑向量，is.unsorted 将返回 true 并给您此错误。

if(is.null(k)) 
    if(is.unsorted(tree$height))
        stop("the 'height' component of 'tree' is not sorted (increasingly)")
    ## h |--> k
    ## S+6 help(cutree) says k(h) = k(h+), but does k(h-) [continuity]
    ## h < min() should give k = n;
    k <- n+1L - apply(outer(c(tree$height,Inf), h, ">"), 2, which.max)
    if(getOption("verbose")) message("cutree(): k(h) = ", k, domain = NA)