# 生成测试数据
# 产生0-1之间均匀分布Uniform Distribution的数值
x = runif(10)
y = runif(10)
# 得到2维的数组：按列合并
S = cbind(x,y)
# 赋予名称，便于识别分类：生成Name1-Name10的系列名赋予数组行名
rownames(S) = paste("Name",1:10,"")

# 数值计算距离
out.dist=dist(S,method="euclidean")
# 注释：在聚类中求两点的距离有：
# 1，绝对距离：manhattan
# 2，欧氏距离：euclidean 默认
# 3，闵科夫斯基距离：minkowski
# 4，切比雪夫距离：chebyshev
# 5，马氏距离：mahalanobis
# 6，蓝氏距离：canberra

# 根据距离聚类
out.hclust=hclust(out.dist,method="complete")
# 注释：聚类中集合之间的距离：
# 1，类平均法：average
# 2，重心法：centroid
# 3，中间距离法:median
# 4，最长距离法：complete 默认
# 5，最短距离法：single
# 6，离差平方和法：ward
# 7，密度估计法：density

# 聚类结果绘图
plclust(out.hclust)

plclust有的版本不认别，可用plot代替

# 添加聚类分类矩形，如分为3类
rect.hclust(out.hclust, k=3)
# 得到分为3类的数值
out.id = cutree(out.hclust, k=3)
out.id
# 以矩阵的方式分辨名称对应的类
table(out.id,paste("Name",1:10,""))


直接返回的样本对应分组列表，可用table转换为矩阵格式