1. 概述
1.1 聚类和分类
有人会觉得聚类就是分类，而其实在严格意义上，聚类与分类并不是一回事，两者有着很大的差异。
分类是按照已定的程序模式和标准进行判断划分，如男人和女人，在这里，你可以理解为这是分类/分组数据（注意了，不同的数据类型有不同的检验方法哟）。再比如，我们直接规定把数据的平均值作为中心轴，那么我们可以把这一组数据分为两个组别，即高于平均和等于平均的两个组，这也是分类。顺便扩展一下，我们后期会讲一期单基因GESA分析，用到的分组原理大概就是这个呢。因此，分类是按照固有或者某个标准将数据进行分组。
而聚类则分析，事先我们并不知道具体的划分标准，要靠算法进行判断数据之间的相似性，把相似的数据放在一起，也就是说聚类最关键的工作是：探索和挖掘数据中的潜在差异和联系。
在聚类的结论出来之前，我完全不知道每一类有什么特点，一定要根据聚类的结果通过人的经验来分析，看看聚成的这一类大概有什么特点。
1.2 聚类的方法
关于聚类的各种算法，推荐知乎的一篇文章点我学习，下例图片来源于知乎。
2 聚类在R语言中的实现
2.1 包的安装
这里，我们首先用到两个包，第一个是WGCNA，第二个是openxlsx，加载它们：
# Load the WGCNA package
library(openxlsx) # 导入Excel数据
library(WGCNA) # 画聚类图如果还没有安装这两个包，安装方法请移步我的另一篇博文用R语言如何画一张漂亮的热图。
2.2 数据读入
先上数据格式，见下图：
再上代码：
dat <- read.xlsx("filename.xlsx")将上述矩阵转置并转化为数据框
datExpr0 = as.data.frame(t(dat[,]))转置之后数据格式如下图，行名是样本名，列名是基因名：
画图
如下就可以画图啦
sampleTree = hclust(dist(datExpr0), method = "average") # 选择计算中心距方法
sizeGrWindow(16,9) # 设置画图框的大小
par(mar = c(4,4,4,4)) # 设置边距，根据实际情况选择
plot(sampleTree,
main = "Filemane",#图名字
sub="", # 标题名字
xlab="", # X轴名字
cex.lab = 1.5, # X轴Y轴名字大小
cex.axis = 1.5, #Y轴刻度大小大小
cex.main = 1.5) #标题大小
dev.off() # 关闭画图装置上述可以画的是聚类树，效果图如下：
下一期我们做样本间的各种相关图，期待与您下次再见~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
