使用fcluster()函数进行层次聚类分析

fcluster()函数是SciPy库中的一个函数，用于进行层次聚类分析。层次聚类是一种无监督学习算法，它将数据集中的样本逐步聚集在一起，形成多个层次的聚类结构。fcluster()函数可以根据聚类的结果为每个样本分配一个聚类标签。

下面是一个使用fcluster()函数进行层次聚类分析的例子：

from scipy.cluster.hierarchy import dendrogram, linkage, fcluster
import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据
np.random.seed(0)
X = np.random.randn(50, 2)

# 计算距离矩阵
Z = linkage(X, method='ward')

# 绘制树状图
dendrogram(Z)

# 设置阈值，将数据分为三类
threshold = 1.5
clusters = fcluster(Z, threshold, criterion='distance')

# 绘制聚类结果
plt.scatter(X[:, 0], X[:, 1], c=clusters)
plt.show()

在上面的例子中，首先使用np.random.randn()函数生成了一个50x2的随机数据集X。然后使用linkage()函数计算X中样本之间的距离矩阵Z，method='ward'表示使用Ward方差最小化算法进行层次聚类。

接下来，使用dendrogram()函数绘制聚类结果的树状图。树状图可以帮助我们选择合适的阈值来划分聚类。

然后，使用fcluster()函数将数据集X划分为三类。threshold参数指定了聚类的阈值，criterion='distance'表示使用距离作为判定标准。

最后，使用plt.scatter()函数绘制聚类结果，每个类别用不同的颜色表示。

通过运行上面的代码，我们可以得到以下图示结果：


从图中可以看出，数据集被分为了三个类别，分别用不同的颜色表示。