在统计学领域，聚类分析是一种常用的数据探索方法，而r语言凭借其开源、灵活且功能强大的特性，成为执行此类分析的理想工具。本文聚焦于实际操作流程，仅演示关键代码与结果呈现，有关系统聚类中诸如最长距离法、最短距离法等算法背后的数学原理，将不予展开。

1、 启动R环境后，依次输入样本观测值：1、2、3、7、8、9、15，构造一个长度为7的一维向量，并显式指定其维度为7行1列；随后调用dist()函数计算该向量中各元素间的欧氏距离，生成对称的距离矩阵。具体实现为：定义向量x存储上述数值，通过dim()设定其结构，并使用dist(x, method = "euclidean")获得距离矩阵d。

2、 其中，x为原始数据向量，dim用于明确其行列维度，dist则负责完成距离度量并输出距离矩阵。

3、 接下来开展系统聚类（层次聚类）分析。

4、 输入相应R命令

5、 hclust()是R中执行系统聚类的核心函数；参数method可选"single"（单连接/最短距离法）、"complete"（全连接/最长距离法）、"median"（中间距离法）以及"average"（平均连接/类平均法），分别对应四种经典凝聚式聚类策略。

6、 利用plot()函数可视化基于最短距离法构建的树状图（dendrogram），直观反映各样本点之间的亲疏关系及层级分组模式。

7、 绘制由hc1 所得结果的聚类树形图

8、 为了横向对比不同连接方式下的聚类效果，可将四种方法生成的树状图整合在同一幅图形中进行观察。

9、 输入绘图指令

10、 par()用于统一设置绘图参数，其中mfrow = c(2, 2)表示启用2行2列的多图布局，子图按先行后列顺序填充。

11、 最终呈现的组合图形如下所示：

12、 观察图中分支结构可知：第1–3个数值（即1、2、3）被归为一类，第4–6个数值（即7、8、9）构成第二类，而第7个数值（即15）独立成簇，整体形成三个自然聚类。若希望程序自动识别最优类别数，可借助rect.hclust()函数辅助划分。

13、 调用plot()与rect.hclust()联合绘制聚类树，并强制划分为两个簇。

14、 图中清晰显示数据已被划分为两个互斥群组，分界线已标出，分类标签亦同步呈现，整个聚类任务至此顺利完成。