（2）计算每一类和其它各类的距离；
（3）把“距离”最短的两类合并成一类，这样类的个数就减少一个；
（4）重复步骤1和步骤2，直到包含所有观测值的类合并成单个类为止。
基于5种营养标准含量（变量）的27种食物（观测）进行层次聚类分析，探索不同食物的相同点与不同点，并分成有意义的类。此处层次聚类算法以平均联动(average)为例。
（1）数据预处理--归一化
（2）计算欧几里得距离
（3）平均联动层次聚类分析
（1）确定聚类个数
NbClust包提供了众多的指数来确定在一个聚类分析里类的最佳数目。
（2）获取最终的聚类方案
由上图，尝试解释每类变量的含义：
K均值聚类为最常见的划分方法。
（1）选择K个中心点（随机选择K个观测），K数值就是我们预期的聚类数。
（2）把每个数据点分配给离它最近的中心点；第一次中心点是随机选择的，但也可以设置参数，选择最优的初始值。
（3）重新计算每类中的点到该类中心点距离的平均值；此时的中心点应该为每一类的均值中心点，对异常值敏感（之后都是如此）
（4）分配每个数据到它最近的中心点；
（5）重复步骤3、4，直到所有的观测值不在被分配或是达到最大的迭代次数（默认10次）
（1）数据预处理：去除第一列干扰数据，并归一化数据。
（2）确定待提取的聚类个数，同样可用NbClust包判断（顺序与层次聚类分析不同，如前所述，层次聚类分析在最后才确定聚类个数）
（3）K均值聚类分析
（4）最后将聚类结果与原始数据标准结果（第一列数据）进行比对，看看分析质量如何。
兰德指数接近0.9，看来K均值聚类算法还不错~
K均值法对均值异常敏感，相比来说，PAM为更稳健的方法。
（1）随机选择K个观测（每个都称为中心点）；
（2）计算观测值到各个中心的距离；
（3）把每个观测值分配到最近的中心点；
（4）计算每个中心点到每个观测值的距离的总和（总成本）；
（5）选择一个该类中不是中心的点，并和中心点互换；
（6）重新把每个点分配到距它最近的中心点；
（7）再次计算总成本；
（8）若新的总成本比步骤4计算的总成本少，就把新的点作为中心点；
（9）重复步骤5-8，直到中心点不变。
