Иерархическая кластеризация 

In[1]:=

X Needs["RLink`"] InstallR[]

Начнём с создания матричных данных.

In[2]:=

X mdata = RandomVariate[NormalDistribution[], {10, 5}]

Out[2]=

Переносим данные в R.

In[3]:=

X RSet["y", mdata]

Out[3]=

Добавляем метки для столбцов и строк.

In[4]:=

X REvaluate[" { dimnames(y)<- list(paste(\"g\", 1:10, sep=\"\"), paste(\"t\", 1:5, \ sep=\"\")) y }"]

Out[4]=

Создаём корреляционную матрицу и матрицу дистанций.

In[5]:=

X REvaluate[" { c <- cor(t(y), method=\"spearman\") d <- as.dist(1-c) }"]

Out[5]=

Вызываем процедуру иерархической кластеризации.

In[6]:=

X REvaluate["hr <- hclust(d, method = \"complete\", members=NULL)"]

Out[6]=

Задаём функции визуализации из предыдущего примера функций высшего порядка.

In[7]:=

X mathematicaRPlotWrapper = RFunction["function(filename, plotfun){ pdf(filename) plotfun() dev.off() }"]

Out[7]=

In[8]:=

X getRPlot[plotFun_RFunction] := With[{tempfile = FileNameJoin[{$TemporaryDirectory, "temp.pdf"}]}, If[FileExistsQ[tempfile], DeleteFile[tempfile]]; mathematicaRPlotWrapper[tempfile, plotFun]; If[! FileExistsQ[tempfile], Return[$Failed]]; Import[tempfile] ];

Строим дендрограмму (параметр "hang" управляет её построением).

In[9]:=

X Show[#, ImageSize -> Large, PlotRange -> All] &@ getRPlot@RFunction["function(){ par(mfrow = c(2, 2)) plot(hr, hang = 0.1) plot(hr, hang = -0.1) }"]

Out[9]=