因为ward法基于方差最小化，其数学推导严格依赖欧氏距离的平方性质；若使用manhattan或cosine等距离，将破坏该假设，导致valueerror或结果失真。
直接用 AgglomerativeClustering 就行，但必须注意 linkage 和 affinity 的组合是否合法，否则会报错或结果失真。
为什么 linkage="ward" 时 affinity 只能是 "euclidean"
ward 连接法本质是最小化合并后簇内平方和（即方差增量），它依赖数据在欧氏空间中的几何性质。一旦换成 manhattan 或 cosine，距离不再对应平方误差，ward 的数学假设就崩了。
常见错误现象：ValueError: 'ward' linkage requires "euclidean" affinity
- 如果坚持用
ward，必须传affinity="euclidean"（默认值，可省略） - 想用其他距离度量（如余弦相似性），只能换
linkage="average"或"complete" -
affinity="precomputed"时，输入必须是**距离矩阵**（非相似度矩阵），且linkage不能为"ward"
如何不预设簇数量，而是按距离阈值切树
当不知道该分几类时，用 distance_threshold 比硬设 n_clusters 更合理——它允许你从树状图中观察“跳跃式”距离变化点，再决定切割位置。
关键约束：n_clusters 必须为 None，且 compute_full_tree 自动设为 True（否则无法构建完整树）
- 正确写法：
AgglomerativeClustering(n_clusters=None, distance_threshold=5.0, linkage="average") - 错误写法：
n_clusters=3和distance_threshold=5.0同时出现 → 报ValueError - 拟合后不能直接取
.labels_：若distance_threshold起作用，实际簇数可能少于你预期；需检查.n_clusters_属性
连接方式（linkage）怎么选才不翻车
不同 linkage 对噪声、簇形状、计算开销影响极大，不是调参，而是建模前提的选择。
-
"single"：对噪声极度敏感，容易形成“链式效应”，但能识别细长结构；时间复杂度低，但实践中很少用 -
"complete"：偏好紧凑、大小相近的簇；对离群点鲁棒，但可能把本应分开的近邻簇强行压成一个 -
"average"：折中选择，适合多数场景，尤其当簇大小差异较大时比"ward"更稳 -
"ward"：只适用于各向同性、球形簇，且要求特征已标准化（否则量纲大的特征主导距离）
性能提示："ward" 时间复杂度接近 O(n³)，样本超 2000 就明显变慢；其余三种基本是 O(n²)。
加 connectivity 是为了什么，怎么加才有效
默认情况下，AgglomerativeClustering 认为任意两个样本都可能合并——这在高维稀疏数据或带空间/图结构的数据里不合理。加 connectivity 是强制算法只在“邻居间”合并，大幅提速并提升物理意义。
典型用法是配合 sklearn.neighbors.kneighbors_graph：
from sklearn.neighbors import kneighbors_graph connectivity = kneighbors_graph(X, n_neighbors=5, include_self=False)
-
connectivity必须是稀疏矩阵（scipy.sparse格式），传稠密数组会爆内存 -
n_neighbors太小 → 图不连通，聚出一堆孤立点；太大 → 接近无约束，失去意义 - 加了
connectivity后，compute_full_tree="auto"默认为False，如需树状图必须显式设为True
真正容易被忽略的是：加了 connectivity 后，linkage 的语义变了——它只在图连通分量内生效，跨分量永远不会合并。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
