原文鏈接（可關(guān)注公眾號微生態(tài)與微進化索取示例數(shù)據(jù)）：
聚類分析
在生態(tài)學(xué)研究當中陶冷，有些環(huán)境中的對象是連續(xù)（或者離散）的钙姊，而有些對象是不連續(xù)的，聚類的目的是識別在環(huán)境中不連續(xù)的對象子集埂伦，從而探索隱藏在數(shù)據(jù)背后的屬性特征煞额。聚類分析主要處理那些對象有足夠的相似性被歸于一組，并且確定組與組之間的差異或分離程度。聚類可以分為特征聚類（Vector Clustering）和圖聚類（Graph Clustering）立镶。特征聚類是指根據(jù)對象的特征向量矩陣來計算距離或者相關(guān)性來實現(xiàn)聚類，例如各種層次聚類和非層次聚類类早。而圖聚類則針對的是復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)媚媒，有隨機游走、貪心策略涩僻、標簽傳播等算法等缭召。
根據(jù)對象歸屬方法，有以下兩種：
⑴硬劃分逆日，也即將總體劃分為不同的部分嵌巷，每個對象或者變量只能歸屬于某一組（身份信息為0或1）。
⑵模糊劃分室抽，對象歸屬身份信息可以是連續(xù)的搪哪，也即身份信息可以是0到1中間的任意值。
聚類的結(jié)果可以輸出為無層級分組坪圾，也可以是具有嵌套結(jié)構(gòu)的層次聚類樹晓折。非約束的聚類分析只是一種數(shù)據(jù)劃分，不是典型的統(tǒng)計方法兽泄，因此不必進行統(tǒng)計檢驗漓概，但是約束的聚類分析（多元回歸樹）需要進行統(tǒng)計檢驗。
層次聚類
層次聚類（hierarchical clustering）就是通過對數(shù)據(jù)集按照某種方法進行層次分解病梢，直到滿足某種條件為止胃珍。在R中最常用的為stats包中的hclust()函數(shù)。
⑴單連接聚合聚類
單連接聚合聚類（singlelinkage agglomerative clustering）也稱作最近鄰分類（nearestneighbour sorting）蜓陌，依據(jù)最短的成對距離或最大相似性來依次連接對象直到連接完畢觅彰，兩個組之間最近的兩個對象之間距離即為組的距離。此方法一般使用弦距離矩陣（歐氏距離）進行分析护奈，在hclust()函數(shù)中為"single"缔莲。
⑵完全連接聚合聚類
完全連接聚合聚類（completelinkage agglomerative clustering）也稱作最遠鄰分類（furthestneighbour sorting），依據(jù)最遠距離決定一個對象或者一個組是否與另一個組聚合霉旗，所有對象之間的距離必須完全計算然后進行比較痴奏。単連接聚合聚類更容易體現(xiàn)數(shù)據(jù)的梯度，而完全連接聚合聚類分類組之間差異更加明顯厌秒。在在hclust()函數(shù)中為"complete"读拆。
⑶平均聚合聚類
平均聚合聚類（averageagglomerative clustering）是一類基于對象之間平均相異性或者聚類簇形心（centroid）的進行聚類的方法。一個對象加入一個組依據(jù)的是這個對象與這個組成員的平均距離鸵闪。在hclust()函數(shù)中有等權(quán)重算術(shù)平均聚類"average"（UPGMA）檐晕、不等權(quán)重算術(shù)平均聚類"mcquitty"（WPGMA）、等權(quán)重形心聚類"centroid"（UPGMC）、不等權(quán)重形心聚類"median"（WPGMC）四種方法辟灰。在生態(tài)學(xué)中Bray-Curtis距離矩陣一般使用方法"average"進行分析个榕，其聚類樹結(jié)構(gòu)介于單連接和完全連接聚類之間。
⑷最小方差聚類
Ward最小方差聚類是一種基于最小二乘法線性模型準則的聚類方法芥喇。分組的依據(jù)是使組內(nèi)距離平方和（方差）最小化西采，由于使用了距離的平方，常常使聚類樹基部過于膨脹继控，可取平方根再進行可視化械馆。在hclust()函數(shù)中有"ward.D"、"ward.D2"兩種方法武通。
聚類樹
聚類樹是聚類分析最常用的可視化方法霹崎。這里以微生物群落抽平后的otu table數(shù)據(jù)為例進行分析，計算Bray-Curtis距離矩陣并進行UPGMA聚類：
#讀取群落數(shù)據(jù)并計算Bray-Curtis距離矩陣
data=read.table(file="sample.subsample.otu_table.txt", header=T, check.names=FALSE)
rownames(data)=data[,1]
data=data[,-1]
library(vegan)
data=decostand(data, MARGIN=2, "total")
otu=t(data)
otu_dist=vegdist(otu, method="bray", diag=TRUE, upper=TRUE, p=2)
#進行聚類分析并作圖
hclust=hclust(otu_dist, method="average")
plot(hclust)
其中縱坐標為Bray-Curtis距離冶忱，越往樹的基部（上圖頂端）距離越大尾菇，樹枝節(jié)點對應(yīng)的縱坐標值為兩個對象/聚類簇之間的距離/平均距離。
更多的展示方法：
聚類簇劃分與美化：
比較聚類
不同對象之間的關(guān)系可以通過聚類樹展現(xiàn)出來朗和，通過聚類樹我們可以觀察哪些對象比較相似错沽，哪些對象距離較遠，從而對所有對象的關(guān)系有一個整體的把握眶拉。然而千埃，這時候我們并沒有獲得一個明顯的聚類簇劃分，也即不知道對象可以劃分為幾類忆植、誰和誰歸為一類放可，以及這個聚類結(jié)果是不是合理，這可以通過比較聚類來實現(xiàn)朝刊。
