1999年中国省、自治区的城市规模结构特征的一些数据，可通过聚类分析将这些省、自治区进行分类_BeansSuperman_新浪博客

用Matlab软件实现聚类分析

例 下表是1999年中国省、自治区的城市规模结构特征的一些数据，可通过聚类分析将这些省、自治区进行分类，具体过程如下：

 

省、自治区	首位城市规模（万人）	城市首位度	四城市指数	基尼系数	城市规模中位值（万人）
京津冀	699.70	1.437 1	0.936 4	0.780 4	10.880
山西	179.46	1.898 2	1.000 6	0.587 0	11.780
内蒙古	111.13	1.418 0	0.677 2	0.515 8	17.775
辽宁	389.60	1.918 2	0.854 1	0.576 2	26.320
吉林	211.34	1.788 0	1.079 8	0.456 9	19.705
黑龙江	259.00	2.305 9	0.341 7	0.507 6	23.480
苏沪	923.19	3.735 0	2.057 2	0.620 8	22.160
浙江	139.29	1.871 2	0.885 8	0.453 6	12.670
安徽	102.78	1.233 3	0.532 6	0.379 8	27.375
福建	108.50	1.729 1	0.932 5	0.468 7	11.120
江西	129.20	3.245 4	1.193 5	0.451 9	17.080
山东	173.35	1.001 8	0.429 6	0.450 3	21.215
河南	151.54	1.492 7	0.677 5	0.473 8	13.940
湖北	434.46	7.132 8	2.441 3	0.528 2	19.190
湖南	139.29	2.350 1	0.836 0	0.489 0	14.250
广东	336.54	3.540 7	1.386 3	0.402 0	22.195
广西	96.12	1.228 8	0.638 2	0.500 0	14.340
海南	45.43	2.191 5	0.864 8	0.413 6	8.730
川渝	365.01	1.680 1	1.148 6	0.572 0	18.615
云南	146.00	6.633 3	2.378 5	0.535 9	12.250
贵州	136.22	2.827 9	1.291 8	0.598 4	10.470
西藏	11.79	4.151 4	1.179 8	0.611 8	7.315
陕西	244.04	5.119 4	1.968 2	0.628 7	17.800
甘肃	145.49	4.751 5	1.936 6	0.580 6	11.650
青海	61.36	8.269 5	0.859 8	0.809 8	7.420
宁夏	47.60	1.507 8	0.958 7	0.484 3	9.730
新疆	128.67	3.853 5	1.621 6	0.490 1	14.470

在MATLAB中写一个名为ids_province的M文件：

clear

clc

x=[699.70 1.4371 0.9364 0.7804 10.880;179.46 1.8982 1.0006 0.5870 11.780;111.13 1.4180 0.6772 0.5158 17.775....

;389.60 1.9182 0.8541 0.5762 26.320;211.34 1.7880 1.0798 0.4569 19.705;259.00 2.3059 0.3417 0.5076 23.480....

;923.19 3.7350 2.0572 0.6208 22.160;139.29 1.8712 0.8858 0.4536 12.670;102.78 1.2333 0.5326 0.3798 27.375....

;108.50 1.7291 0.9325 0.4687 11.120;129.20 3.2454 1.1935 0.4519 17.080;173.35 1.0018 0.4296 0.4503 21.215....

;151.54 1.4927 0.6775 0.4738 13.940;434.46 7.1328 2.4413 0.5282 19.190;139.29 2.3501 0.8360 0.4890 14.250....

;336.54 3.5407 1.3863 0.4020 22.195;96.120 1.2288 0.6382 0.5000 14.340;45.430 2.1915 0.8648 0.4136 8.730....

;365.01 1.6801 1.1486 0.5720 18.615;146.00 6.6333 2.3785 0.5359 12.250;136.22 2.8279 1.2918 0.5984 10.470....

;11.790 4.1514 1.1798 0.6118 7.3150;244.04 5.1194 1.9682 0.6287 17.800;145.49 4.7515 1.9366 0.5806 11.650....

;61.360 8.2695 0.8598 0.8098 7.4200;47.600 1.5078 0.9587 0.4843 9.7300;128.67 3.8535 1.6216 0.4901 14.470]

y=pdist(x);                %计算距离的函数 

yy=squareform(y);          %将样本点之间的距离用矩阵的形式输出

z=linkage(y)               %创建系统聚类树

h=dendrogram(z)           %输出聚类树形图的冰状图

 

分步聚类，选择合适的计算距离法：

y1=pdist(x);

y2=pdist(x,'seuclid');

y3=pdist(x,'mahal');

y4=pdist(x,'cityblock'); %对于不同的距离，利用pdist函数计算出样本点之间的距离

z1=linkage(y1);

z2=linkage(y2);

z3=linkage(y3);

z4=linkage(y4);      %分别创建聚类树

t1=cophenet(z1,y1)

t2=cophenet(z2,y2)

t3=cophenet(z3,y3)

t4=cophenet(z4,y4)   %利用cophenet函数计算聚类树信息与原始数据的距离之间的相关性

%运行ids_province.m文件

t1 =

    0.9259

t2 =

    0.7911

t3 =

    0.8315

t4 =

0.9207

%选择具有最大的cophenet值的距离进行分类，即选用欧氏距离最合适

%输入：

y1=pdist(x);

z1=linkage(y1)

%运行得

z1 =

    8.0000   15.0000    1.6521

   20.0000   24.0000    2.0877

   18.0000   26.0000    2.4880

   11.0000   27.0000    2.7654

   21.0000   28.0000    3.9199

   29.0000   32.0000    6.9926

    3.0000   10.0000    7.1673

   13.0000   33.0000    7.3528

   31.0000   35.0000    8.6125

    2.0000   12.0000   11.2916

    9.0000   34.0000   12.7262

   17.0000   38.0000   12.8051

   25.0000   30.0000   15.5084

    6.0000   23.0000   16.3291

   36.0000   39.0000   18.0388

   37.0000   42.0000   22.9979

    4.0000   19.0000   25.7717

   16.0000   44.0000   28.7559

    5.0000   43.0000   32.8508

   41.0000   46.0000   32.9368

   22.0000   40.0000   33.7288

   47.0000   48.0000   36.1367

   14.0000   45.0000   45.7490

   49.0000   50.0000   77.5676

    1.0000    7.0000  223.7891

   51.0000   52.0000  265.4356

%由w=inconsistent(z)确定cluster的阀值

%输入：

w=inconsistent(z)

%运行得：

w =

 

    1.6521         0    1.0000         0

    2.0877         0    1.0000         0

    2.4880         0    1.0000         0

    2.7654         0    1.0000         0

    2.7860    1.6036    2.0000    0.7071

    4.3334    2.4785    3.0000    1.0729

    7.1673         0    1.0000         0

    7.1727    0.2547    2.0000    0.7071

    6.2436    3.0773    3.0000    0.7698

   11.2916         0    1.0000         0

    9.9467    3.9307    2.0000    0.7071

   12.7656    0.0558    2.0000    0.7071

    8.9982    9.2068    2.0000    0.7071

   16.3291         0    1.0000         0

   13.1521    4.7227    3.0000    1.0347

   17.4428    5.8759    3.0000    0.9454

   25.7717         0    1.0000         0

   27.2638    2.1102    2.0000    0.7071

   27.9244    6.9670    2.0000    0.7071

   27.3723    9.5637    3.0000    0.5818

   24.6186   12.8838    2.0000    0.7071

   34.2674    1.6665    3.0000    1.1216

   37.2525   12.0159    2.0000    0.7071

   53.1511   21.6846    3.0000    1.1260

  223.7891         0    1.0000         0

  188.9308   98.6658    3.0000    0.7754

%创建分类：

b1=cluster(z1,0.8)

%运行得：

b1 =

 

    11

     4

     8

    10

     5

     6

    11

     7

     8

     8

     3

     4

     2

    10

     7

    10

     8

     9

    10

     1

     7

     9

     6

     1

     9

     9

     3