数据格式：时间（小时）/各个省份数据
数据输入：
locdata <- read.csv("./data.csv")
此时locdata的类型为：data.frame
需要转化为matric类型：
locdata_m <- as.matrix(locdata)
剔除数据：
locdata_mt <- locdata_mt[c(2: nrow(locdata_mt)), c(1: ncol(locdata_mt))]
接下来开始聚类运算：
分两个步骤：
1、确定计算距离方式
dist(x, method = "euclidean",diag = FALSE, upper = FALSE, p = 2)
r语言中使用dist(x, method = "euclidean",diag = FALSE, upper = FALSE, p = 2) 来计算距离。其中x是样本矩阵或者数据框。
method表示计算哪种距离。method的取值有：
euclidean 欧几里德距离，就是平方再开方。
maximum 切比雪夫距离
manhattan 绝对值距离
canberra Lance 距离
minkowski 明科夫斯基距离，使用时要指定p值
binary 定性变量距离
(计算距离之前可以使用scale(x, center = TRUE, scale = TRUE)来对数据进行中心化及标准化。)
2、确定聚类方法
hclust(d, method = "complete", members=NULL)
method表示类的合并方法，有：
single 最短距离法
complete 最长距离法
median 中间距离法
mcquitty 相似法
average 类平均法
centroid 重心法
ward 离差平方和法
d <- dist(locdata_mt, method = *)
hcl <- hclust(d, method = *)
最后以根节点对其的方式画图：
plot(hcl, hang = -1)
重合度图形展示：
heatmap(as.matrix)
