主成分分析和聚类分析的比较
主成分分析和聚类分析在花卉栽培基质配方选择中的应用
提高在花卉栽培基质配方选择中，主成分分析和聚类分析是两种重要的数据分析方法，它们能够帮助花卉栽培者准确识别基质配方，并有效地改善花卉生长状况。
主成分分析是一种用于识别花卉栽培基质配方中最重要特征的统计分析方法。
它旨在将原始数据转换为一组新的表示，以便比较不同特征之间的相关性，并将它们结合成一个可以用来描述花卉栽培基质的全局特征。
例如，一个主成分分析可以帮助花卉栽培者识别出不同基质配方中最重要的特征，如硅藻土、有机质、碳氮磷等，以及这些特征之间的相关性。
聚类分析是一种用于比较不同花卉栽培基质配方的统计分析方法，它可以帮助花卉栽培者识别出不同配方的不同特征。
它通过将不同的基质配方按照其共同的特征进行分组，以期更好地理解基质配方的差异。
例如，一个聚类分析可以帮助花卉栽培者将沙粒土、硅藻土、有机质、碳氮磷等组合在一起，并识别出每种基质配方的最重要特征，以便更好地选择最合适的基质配方。
另外，主成分分析和聚类分析也可以用来识别花卉不同种类的栽培基质配方。
例如，一个主成分分析可以帮助花卉栽培者识别出不同花卉种类的栽培基质配方，并比较它们之间的主要特征。
而一个聚类分析可以结合不同花卉种类的栽培基质配方，以期识别出它们之间的差异。
此外，主成分分析和聚类分析还可以用来识别花卉栽培基质中的关键要素，并有效地改善花卉生长状况。
例如，一个主成分分析可以帮助花卉栽培者识别出不同基质中最重要的要素，如氮、磷、钾等，并有效地改善花卉生长状况。
而一个聚类分析可以帮助花卉栽培者将不同基质中的关键要素分组，以期更好地分析花卉生长的不同特征，并有效地改善花卉生长状况。
总而言之，主成分分析和聚类分析是两种重要的数据分析方法，它们可以帮助花卉栽培者准确识别基质配方，并有效地改善花卉生长状况。
数学建模各种分析方法
现代统计学1.因子分析(Faｃｔor Ａｎalysis)因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子(之所以称其为因子,是因为它是不可观测的，即不是具体的变量），以较少的几个因子反映原资料的大部分信息.运用这种研究技术，我们可以方便地找出影响消费者购买、消费以及满意度的主要因素是哪些，以及它们的影响力（权重）运用这种研究技术，我们还可以为市场细分做前期分析。
2．主成分分析主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前,用主成分分析来分析数据,让自己对数据有一个大致的了解是非常重要的.主成分分析一般很少单独使用：a，了解数据。
(screeninｇ the daｔa)，b，和ｃｌuｓteｒ aｎaｌysｉs一起使用，c，和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可能无解,这时候可以使用主成份发对变量简化。
（ｒeduce dimensiｏｎality)d,在多元回归中,主成分分析可以帮助判断是否存在共线性(条件指数),还可以用来处理共线性。
主成分分析和因子分析的区别1、因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成个变量的线性组合。
2、主成分分析的重点在于解释个变量的总方差，而因子分析则把重点放在解释各变量之间的协方差。
３、主成分分析中不需要有假设(ａｓｓｕｍptions）,因子分析则需要一些假设。
因子分析的假设包括：各个共同因子之间不相关，特殊因子（speｃific fａct ｏr）之间也不相关，共同因子和特殊因子之间也不相关.４、主成分分析中，当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候，的主成分一般是独特的；而因子分析中因子不是独特的,可以旋转得到不同的因子。
５、在因子分析中,因子个数需要分析者指定（spss根据一定的条件自动设定,只要是特征值大于1的因子进入分析),而指定的因子数量不同而结果不同。
主成分分析、聚类分析比较教学提纲
主成分分析、聚类分析比较主成分分析、聚类分析的比较与应用主成分分析、聚类分析的比较与应用摘要：主成分分析、聚类分析是两种比较有价值的多元统计方法,但同时也是在使用过程中容易误用或混淆的几种方法。
本文从基本思想、数据的标准化、应用上的优缺点等方面,详细地探讨了两者的异同,并且举例说明了两者在实际问题中的应用。
关键词：spss、主成分分析、聚类分析一、基本概念主成分分析就是设法将原来众多具有一定相关性（比如P个指标），重新组合成一组新的互相无关的综合指标来代替原来的指标。
综合指标即为主成分。
所得出的少数几个主成分，要尽可能多地保留原始变量的信息，且彼此不相关。
因子分析是研究如何以最少的信息丢失，将众多原始变量浓缩成少数几个因子变量，以及如何使因子变量具有较强的可解释性的一种多元统计分析方法。
聚类分析是依据实验数据本身所具有的定性或定量的特征来对大量的数据进行分组归类以了解数据集的内在结构，并且对每一个数据集进行描述的过程。
其主要依据是聚到同一个数据集中的样本应该彼此相似，而属于不同组的样本应该足够不相似。
二、基本思想的异同（一）共同点主成分分析法和因子分析法都是用少数的几个变量(因子) 来综合反映原始变量(因子) 的主要信息，变量虽然较原始变量少，但所包含的信息量却占原始信息的85 %以上，所以即使用少数的几个新变量，可信度也很高，也可以有效地解释问题。
并且新的变量彼此间互不相关，消除了多重共线性。
这两种分析法得出的新变量，并不是原始变量筛选后剩余的变量。
在主成分分析中，最终确定的新变量是原始变量的线性组合，如原始变量为x1 ，x2 ，. . . ，x3 ，经过坐标变换，将原有的p个相关变量xi 作线性变换，每个主成分都是由原有p 个变量线性组合得到。
在诸多主成分Zi中，Z1 在方差中占的比重最大，说明它综合原有变量的能力最强，越往后主成分在方差中的比重也小，综合原信息的能力越弱。
因子分析是要利用少数几个公共因子去解释较多个要观测变量中存在的复杂关系，它不是对原始变量的重新组合，而是对原始变量进行分解，分解为公共因子与特殊因子两部分。
聚类分析与主成分分析
二、聚类分析的典型(diǎnxíng)应 用
• 作为统计(tǒngjì)学的一个分支，聚类分析已有 多年的研究历史，这些研究主要集中在基于距 离的聚类分析方面。
• 许多统计(tǒngjì)软件包，诸如：SAS、SPSS 和S-PLUS等都包含它许多聚类分析工具。
第八页，共90页。
• 图论法。从几何观点来考虑。将n个样品看成m维空间的n个 点，点与点间用直线连接，从而构成m维空间的点的连接图， 再应用图论的观点将样本点在m维空间作最小支撑(zhī chēng)数，最终达到分类目的。
第十二页，共90页。
六、tree过程(guòchéng)
• 画出用于描述整个聚类过程的树状图
• 两种：
• 如何解释主成分所包含的经济意义。
第四十六页，共90页。
数学模型和几何(jǐ hé)解释
• 为了方便，我们在二维空间中讨论主成分的几何意义。 设有n个样品，每个样品有两个观测变量xl和x2，在 由变量xl和x2 所确定的二维平面中，n个样本点所散 布的情况如椭圆状。由图可以看出(kàn chū)这n个样 本点无论是沿着xl 轴方向或x2轴方向都具有较大的离 散性，其离散的程度可以分别用观测变量xl 的方差和 x2 的方差定量地表示。显然，如果只考虑xl和x2 中 的任何一个，那么包含在原始数据中的经济信息将会 有较大的损失。
第十一页，共90页。
五、聚类分析方法(fāngfǎ)
• 系统聚类法。先将n个元素看成n类，然后将性质最接近（或 相似程度最大）的两类合并为一个新类，得到n-1类。再从 中找出最接近的两类加以合并，变成n-2类。如此下去，最 后所有的元素全聚在一类之中。
• 调优法。先将样品做一个初始的分类，然后按照某种最优的 原则逐步调整，一直调整到分类比较合理为止。
主成分分析,聚类分析比较
主成分分析、聚类分析的比较与应用主成分分析、聚类分析的比较与应用摘要：主成分分析、聚类分析是两种比较有价值的多元统计方法,但同时也是在使用过程中容易误用或混淆的几种方法。
本文从基本思想、数据的标准化、应用上的优缺点等方面,详细地探讨了两者的异同,并且举例说明了两者在实际问题中的应用。
关键词：spss、主成分分析、聚类分析一、基本概念主成分分析就是设法将原来众多具有一定相关性（比如P个指标），重新组合成一组新的互相无关的综合指标来代替原来的指标。
综合指标即为主成分。
所得出的少数几个主成分，要尽可能多地保留原始变量的信息，且彼此不相关。
因子分析是研究如何以最少的信息丢失，将众多原始变量浓缩成少数几个因子变量，以及如何使因子变量具有较强的可解释性的一种多元统计分析方法。
聚类分析是依据实验数据本身所具有的定性或定量的特征来对大量的数据进行分组归类以了解数据集的内在结构，并且对每一个数据集进行描述的过程。
其主要依据是聚到同一个数据集中的样本应该彼此相似，而属于不同组的样本应该足够不相似。
二、基本思想的异同（一）共同点主成分分析法和因子分析法都是用少数的几个变量(因子) 来综合反映原始变量(因子) 的主要信息，变量虽然较原始变量少，但所包含的信息量却占原始信息的85 %以上，所以即使用少数的几个新变量，可信度也很高，也可以有效地解释问题。
并且新的变量彼此间互不相关，消除了多重共线性。
这两种分析法得出的新变量，并不是原始变量筛选后剩余的变量。
在主成分分析中，最终确定的新变量是原始变量的线性组合，如原始变量为x1 ，x2 ，. . . ，x3 ，经过坐标变换，将原有的p个相关变量xi 作线性变换，每个主成分都是由原有p 个变量线性组合得到。
在诸多主成分Zi中，Z1 在方差中占的比重最大，说明它综合原有变量的能力最强，越往后主成分在方差中的比重也小，综合原信息的能力越弱。
因子分析是要利用少数几个公共因子去解释较多个要观测变量中存在的复杂关系，它不是对原始变量的重新组合，而是对原始变量进行分解，分解为公共因子与特殊因子两部分。
聚类分析、判别分析、主成分分析、因子分析
聚类分析、判别分析、主成分分析、因子分析主成分分析与因子分析的区别1. 目的不同：因子分析把诸多变量看成由对每一个变量都有作用的一些公共因子和仅对某一个变量有作用的特殊因子线性组合而成，因此就是要从数据中控查出对变量起解释作用的公共因子和特殊因子以及其组合系数；主成分分析只是从空间生成的角度寻找能解释诸多变量变异的绝大部分的几组彼此不相关的新变量（主成分）。
2. 线性表示方向不同：因子分析是把变量表示成各公因子的线性组合；而主成分分析中则是把主成分表示成各变量的线性组合。
3. 假设条件不同：主成分分析中不需要有假设；因子分析的假设包括：各个公共因子之间不相关，特殊因子之间不相关，公共因子和特殊因子之间不相关。
4. 提取主因子的方法不同：因子分析抽取主因子不仅有主成分法，还有极大似然法，主轴因子法，基于这些方法得到的结果也不同；主成分只能用主成分法抽取。
5. 主成分与因子的变化：当给定的协方差矩阵或者相关矩阵的特征值唯一时，主成分一般是固定的；而因子分析中因子不是固定的，可以旋转得到不同的因子。
6. 因子数量与主成分的数量：在因子分析中，因子个数需要分析者指定（SPSS 根据一定的条件自动设定，只要是特征值大于1的因子主可进入分析），指定的因子数量不同而结果也不同；在主成分分析中，成分的数量是一定的，一般有几个变量就有几个主成分（只是主成分所解释的信息量不等）。
7. 功能：和主成分分析相比，由于因子分析可以使用旋转技术帮助解释因子，在解释方面更加有优势；而如果想把现有的变量变成少数几个新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主成分分析。
当然，这种情况也可以使用因子得分做到，所以这种区分不是绝对的。
1 、聚类分析基本原理：将个体（样品）或者对象（变量）按相似程度（距离远近）划分类别，使得同一类中的元素之间的相似性比其他类的元素的相似性更强。
目的在于使类间元素的同质性最大化和类与类间元素的异质性最大化。
主成分分析和聚类分析的比较
主成分分析和聚类分析的比较一、定义：1.主成分分析：PCA是一种数学方法，通过线性变换将原始数据投影到新的坐标系上，使得投影的数据在新的坐标系下具有最大的方差，从而达到降维和提取数据特征的目的。
2.聚类分析：聚类分析是一种无监督学习方法，通过对样本集合中的数据进行分类，使得同一类别的数据尽量相似，不同类别的数据尽量不相似。
二、目的：1.主成分分析：PCA的主要目的是降低数据的维度，同时保留尽可能多的数据信息。
通过确定主成分，可以选择保留最重要的几个主成分，达到降维的目的，同时避免信息损失。
2.聚类分析：聚类分析的主要目的是发现数据的内在结构和相似性，将数据分成若干个互不交叠的群组，使得同一群组的数据相似度较高，不同群组的数据相似度较低。
三、步骤：1.主成分分析：-对数据进行标准化处理。
-计算数据样本的协方差矩阵。
-对协方差矩阵进行特征值分解，得到特征值和特征向量。
-选择主成分并确定保留的主成分数目。
-根据主成分和原始数据计算得到新的数据集，即降维后的数据集。
2.聚类分析：- 选择合适的聚类算法（如K-means、层次聚类等）。
-初始化聚类中心。
-计算每个样本与聚类中心的距离。
-将样本分配到最近的聚类中心。
-更新聚类中心，重复上述步骤直到满足终止条件。
四、应用领域：1.主成分分析：-数据降维与特征提取：对于高维数据，可以通过PCA将数据降低到较低的维度，并保留主要特征信息。
-数据可视化：通过PCA将高维数据投影到二维或三维空间中，方便数据的可视化展示。
-噪声滤除：PCA可以去除数据中的噪声信息，保留主要特征。
2.聚类分析：-客户细分：在市场营销中，可以通过聚类分析将客户分为不同的群组，根据每个群组的特征制定相应的营销策略。
-图像分割：在图像处理中，可以利用聚类分析对图像进行分割，将图像中的不同物体分别提取出来。
-社交网络分析：通过对社交网络用户之间的关系进行聚类分析，可以发现群组内的用户行为模式和用户兴趣。
主成分分析聚类分析比较
主成分分析聚类分析比较
聚类分析（Cluster Analysis）是一种将数据划分为不同组（即簇）
的方法。
它通过根据数据之间的相似性度量来识别相似的数据点，并将它
们分配到同一个簇中。
聚类分析可以帮助我们在没有预先定义类别的情况下，发现数据中的特定模式和群集。
它在无监督学习中常用于探索性数据
分析和市场细分等领域。
然而，主成分分析和聚类分析也有一些明显的区别。
首先，在目标上，主成分分析旨在将原始数据映射到一个低维空间，以便更好地理解数据的
结构。
而聚类分析旨在将数据分成不同的组或簇，以便更好地识别数据中
的模式。
其次，在技术上，主成分分析使用线性变换和协方差矩阵来找到
数据中的主成分，而聚类分析使用不同的相似性度量方法（如欧氏距离、
余弦相似度等）来识别簇。
由于主成分分析和聚类分析的应用领域和基本原理不同，因此在具体
问题中选择使用哪种方法取决于数据的性质和分析的目的。
例如，如果我
们想要降低数据的维度以便更好的可视化，或者减少计算复杂性以便更容
易进行后续分析，那么主成分分析是一个不错的选择。
另一方面，如果我
们对数据中的模式和群集感兴趣，并希望找出数据中的隐藏结构，那么聚
类分析是更合适的选择。
综上所述，虽然主成分分析和聚类分析在目标和技术上存在一些差异，但它们都是有助于揭示数据的潜在结构和模式的无监督学习方法。
在数据
分析中，我们可以根据具体的需求选择适当的方法，以便更好地理解和利
用数据。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
主成分分析和聚类分析的比较摘要：主成分分析和聚类分析方多元统计中两种重要的分析方法，但却容易在使用中混淆。
本文从基本思想，应用的优缺点、应用实例中讨论两者的异同，并简述两种方法在实际问题中的应用。
关键词：主成分分析；聚类分析一、引言主成分分析是利用降维的思想，在缺失很少信息的前提下，把多个指标转化为几个综合指标的多元统计方法。
通常把转化生成的综合指标称为主成分，其中每个主成分都是原始变量的线性组合，且各个主成分之间互不相关，使得主成分比原始变量具有某些更优越的性能。
聚类分析是依据实验数据本身所具有的定性或定量的特征来对大量的数据进行分组归类以了解数据集的内在结构，并且对每一个数据集进行描述的过程。
其主要依据是聚到同一个数据集的样本应该性质相似，而属于不同组的样本应该足够不相似。
两种方法既有区别又有联系，本文将两者的异同进行比较，并举例说明两者在实际应用中的联系，以便更好地理解这两种统计方法而为实际所应用。
二、基本思想的异同相同点：主成分分析方法是用少数的几个变量来综合反映原始变量的主要信息，变量虽然较原始变量少，但所包含的信息量却占原始信息的85%以上，因此其可信度很高。
通过主成分分析，可以将事物之间错综复杂的关系中找出一些主要成分，从而能有效利用大量统计数据进行定量分析，解释变量之间的内在关系。
因此主成分变量比原始变量少了很多，从而起到了降维的作用。
聚类分析的基本思想是采用多变量的统计值，定量的确定相互之间的亲疏关系，考虑对象多因素的联系和主导作用。
按它们亲疏差异程度，归类不同的分类中的一元。
使分类更具有客观实际并能反映事物的内在必然联系。
聚类分析是通过一种大的对称矩阵来探索相关关系的一种数学分析方法。
对变量分类后，我们对数据的处理难度也降低，所以从某种意义上说，聚类分析也起到了降维的作用。
不同点：主成分分析是研究如何通过原来变量的少数几个变量组合来解释原来变量绝大多数信息的一种多元统计方法。
主成分分析就是设法将原来众多具有相关性的指标，从新组合成一组相互无关的指标来代替原来的指标。
我们将选取的一组线性组合标为F i，若F i方差越大，贝M弋表所包含的信息越多。
贝U称其为第一主成分，再选一组线性组合其方差次大，记为F2,,称其为第二主成分，且规定F i与F2线性无关。
是指第一主成分与第二主成分所包含信息不重合。
且所包含的信息大小逐渐递减。
我们在实际研究中只需要选取前几个成分即可。
在聚类分析过程中，如果选取的聚类量纲不同会导致错误的结果。
因此在聚类过程之前必须对变量进行标准化。
不同的方法进行标准化，会导致不同的聚类结果。
三、应用的优缺点i 、主成分分析优点：它用降维技术将少数几个综合变量来弋替原始多个变量。
这些综合变量集中了原始变量大多数信息。
当评级指标较多时还可以在保留绝大部分信息的情况下用少数几个综合指标弋替原指标进行分析，主成分分析中各主成分是按照方差的大小来排列顺序的，在分析问题时，只取前后方差大的几个主成分来弋表原变量，从而减少了计算工作量，由于选择的原则是累计贡献率》85%所以不会因为减少作量却把关键指标遗漏而影响评估结果。
在综合评价函数中，各主成分的权数为其贡献率，它反映了该主成分包含原始数据的信息量占全部信息量的比重，这样确定权数是客观的、合理的，它克服了某些评价方法中认为确定权数的缺陷。
这种方法的计算比较规范，便于在计算机上实现，还可以利用专门的软件。
缺点：在主成分分析中，我们首先应保证所提取的前几个主成分的累计贡献率达到一个较高的水平（即变量降维后的信息量须保持在一个较高水平上），其次对这些被提取的主成分必须都能够给出符合实际背景和意义的解释（否贝主成分将空有信息量而无实际含义）。
主成分的解释其含义一般多少带有点模糊性。
因此，提取的主成分个数m通常应明显小于原始变量个数p （除非p本身较小），否则维数降低的“利”可能抵不过主成分含义不如原始变量清楚的“弊”。
当主成分的因子负荷的符号有正有负时，综合评价函数意义就不明确，命名清晰性低。
2、聚类分析优点：聚类分析是先将最相似的两个变量聚为一小类，再去与最相似的变量或小 类合并。
每类的变量相似但类与类之间的差异性很大，这样能清晰描述数据。
聚 类分析运用范围极广，涉及很多领域，包括数学，计算机科学，统计学，生物学 和经济学。
在不同的应用领域，很多聚类技术都得到了发展，这些技术方法被用 作描述数据，衡量不同数据源间的相似性，以及把数据源分类到不同的簇中。
聚类分析方便快捷，是管理统计很好的方法。
缺点：聚类分析是以完备的数据文件为基础的， 一般要求各个观测变量的量纲一 致，即各变量取值的数量级一致，否则各变量在描述客观事物某方面特征差异性 的作用有被夸大或缩小的可能。
要检查各变量的量纲是否一致，不一致则需进行 转换。
四、实例分析比较 1. 聚类分析运用中国统计年鉴数据，对主要城市废水中主要污染物排放来源情况进行研究 （2013 年）在spass 软件进行操作，其操作框及结果如下图所示。
（以系统聚类法为例）。
<WIM lUi'tl器_______________________________________■、扇鼠主副Z 闵囲疆临眞止坊•JL jirtr THiaifcLint* iLMti,主丢宵JIC愛百it 序生gM I石工耳 I 万阿 （Rl 1J5RI Mi3 4 T t ：卓 94B6 6K5 33d 日汨詔 14139 5 ~| S 3:2E21S333S -E6469 B43M156F1I2E T E257^3 3B3D2 57H2347B "? j :t II 柯站 4D39 2M|lB?fe 3 靜釉』骂 ZQ 镒 1C64-3 E 却 11M3 一次 IB B533 9169 BD9 MT11D | 星■ &4E2 116710 1384 2Q73 II陥駅衰44 BT 69U- 1D65 33EJ 1Z ~ 上塞 4542E 22砧CO 1B34 1T72T 厂 用宣 25固1 21fiB7 佃H U 苗州 3313E 3ia47 IJR 53S4L Is j 0 E Etna TB9E 3fT4210： IE ii 州 弱 E2 S19D K2B IT 用 1 1HKI2 11473 IE® 茁無 IE 一吉两 B5965413 3 Ed 29 7B 19 _ M 11E3& 11973 5K2 4B54 2D Jt!R 13BU 1B1E3 UOZ ES52 21 ~ -fe S' 4>143 13499 ]« _ 43D0€ 5W 耳 BESE 22 —j 广州 Z1S1 2354 138$ 13&17B WWTT 1F44Z 23书宁STB23954136 26636S2244T5M•a A 験. 生二焙 wZuflLB磊兰钿L伽■国nSB-.Number ofclusters二：■:E启比■: . .■ :BE 说H：-眈□猶M-；诣痰珈:'K 八：即W-"：IX•m UL＜：.：.*-：oi 用x：比-im■； 85EL；：-7：：3L说:W":和RM■: r：'9t孕住$畑¥ :比-：匕4Dendrogram using Average Link赳(Within Groups)Rescaled Distance Clustei Combine图1是冰柱图，是反映样品聚类情况的图。
如果按照设定的类数，在该类的行上从左到右就可以找到各类所包含的样品。
例如我们希望分为5类，最左边的类数应选2，每个样品右边都有一列冰柱，如果每个样品右边的列冰柱长度小于5，那么它和前面冰柱长度大于 5 的样品聚为一类，如此下去直到找到全部 5 类为止。
例如：重庆、上海、石家庄均小于 5 ，因此它们各分为一类，从杭州到广州分为一类，北京和成都聚为另一类，共五类。
图 2 是树状聚类图，从图中可以由分类个数得到分类情况。
如果我们选择分类数为5，就从距离大概为14 的地方往下切，得到分类结果如下｛1：上海｝；｛2：重庆｝；｛3：石家庄｝；｛4：天津，太原，呼和浩特，沈阳，长春，哈尔滨，南京，杭州，合肥，福州，南昌，济南，郑州，武汉，长沙，广州，南宁，海口，贵阳，昆明，拉萨，西安，兰州，西宁，银川，乌鲁木齐｝。
｛5：北京，成都｝我们可以从各地区来主要污水来源理解所做的分类，第一类应该是主要污水来源为工业废水，城镇生活污水，生活化学和生活氨氮。
第二类主要污水来源为工业化学，城镇生活污水，生活化学。
第三类主要污染来源为工业废水和工业化学。
第四类主要污染来源为工业化学和生活化学。
第五类污染来源主要为城镇生活污水和生活化学。
系统聚类法在实际运用中的优缺点：系统聚类方法的优点是：操作简单，能细致的看出小类聚大类的过程，由由合并时的距离水平可以看出样品间的亲疏程度。
但是它的缺点是：一旦一组对象合并时，下一步将在新生成的类上进行。
已做的处理不能被撤销，类之间不能交换对象。
如果在某一步没有很好的选择合并的话，将会造成低质量的聚类结果。
因为合并或分裂的决定需要检查和估算大量的对象或类。
需计算大量的距离，需要花费大量的时间，所以算法不具有很好的可伸缩性。
2. 主成分分析运用中国统计年鉴数据，对主要城市废水中主要污染物排放来源情况进行研究（2013 年）在spass 软件进行操作，其操作框及结果如下图所示。
公因子方差初始提取工业废水 1.000 .818 工业化学 1.000 .897 工业氨氮 1.000 .887 城镇生活污水 1.000 .865 生活化学1.000 .893 生活氨氮1.000.930提取方法：主成份分析解释的总方差成份初始特征值 提取平方和载入合计方差的%累积% 合计 方差的%累积% 1 4.019 66.991 66.991 4.019 66.991 66.991 2 1.270 21.170 88.1601.27021.17088.1603 .313 5.221 93.3814 .232 3.871 97.2535 .121 2.013 99.2666 .044.734100.000提取方法：主成份分析IltS.4：城芾盲応迟阳 k ■ yip Slliat*&4B6——sna强莺出:屯■曙10 11 12 1?it- 17 佃 19 it) Ml> .ftSE B1HTdiUTIltffli60S 呂 KZIEi加2 翊 14&I3 115& llfif^ WH 占阴21E97 31MT ?W6 创艸 1U7& M-13 IW?» 诩鶴 1»99 Z2E&I-21M+诚 S1^M WQ1(SOfi2加 391K ffll6 吟 1DGJS K96 116K1B01A 4049 2询 鹽垃 8KJ34&1 IHfl饪比主M 芳卓□ H2I仙的1-5E7110WFT 6E41 仙 3!帕i iass1383- im 61 37S HI1irw? ?944 阿 36211 11144吕站EE34SIG3S»t?34^9143]M 1B1H玫弼ina WK 37成份矩阵a提取方法：主成份。