### Python 层次聚类中的距离矩阵必须包含有限值 在处理层次聚类时，如果遇到 `ValueError: The condensed distance matrix must contain only finite values` 错误，这通常意味着输入的距离矩阵包含了非有限值（如无穷大或NaN）。为了确保算法正常运行，所有的距离值都应该是有效的浮点数。 #### 检查数据质量 首先应当验证原始数据集中是否存在缺失值或异常值。可以通过 Pandas 库来检测并清理这些潜在问题的数据点： ```python import pandas as pd import numpy as np # 假设 df 是你的 DataFrame 数据集 df.replace([np.inf, -np.inf], np.nan, inplace=True) # 将无限值替换为 NaN df.dropna(inplace=True) # 删除含有 NaN 的行 ``` #### 计算有效距离矩阵 接着，在计算距离之前再次确认所有数值都是有限的，并且使用 SciPy 中的安全方法构建距离矩阵： ```python from scipy.spatial import distance def compute_distance_matrix(data): """Compute a valid pairwise distance matrix.""" if not np.all(np.isfinite(data)): raise ValueError("Input data contains non-finite elements.") dists = distance.pdist(data) if not np.all(np.isfinite(dists)): raise ValueError("Computed distances are not all finite.") return distance.squareform(dists) data_points = [[6.964692, 2.861393, 2.268515], [5.513148, 7.194690, 4.231065]] # 示例数据点列表 distance_matrix = compute_distance_matrix(data_points)[^2] print(distance_matrix) ``` 这段代码会先检查传入的数据是否有任何非法元素；如果有，则抛出异常提示用户修正源数据。之后它调用了 `scipy.spatial.distance.pdist()` 函数来创建压缩形式的距离向量，并通过 `squareform()` 转换成完整的方阵表示法。 #### 执行层次聚类分析 最后一步就是利用得到的有效距离矩阵来进行实际的层次聚类操作了： ```python from scipy.cluster.hierarchy import linkage, dendrogram import matplotlib.pyplot as plt Z = linkage(distance_matrix, method='ward') # 使用 Ward 方法执行链接 plt.figure(figsize=(10, 7)) dendrogram(Z) plt.show() ``` 上述过程展示了如何安全地准备用于层次聚类的距离矩阵以及怎样应用 Scipy 提供的功能完成整个流程[^3]。