#我找到了一个网站，DATAtab，它提供了一个在线的 K-means 聚类分析计算器。在这个网站上，您可以执行以下步骤来进行 K-means 聚类分析：
- 复制您的数据到网站提供的表格中。
- 选择多于一个的变量。
- 选择您想要计算的簇（cluster）的数量。
此外，DATAtab 还提供了用于确定最佳簇数量的肘部方法（Elbow Method）的集成，以及数据可视化功能，可以清晰地查看数据的聚类情况。您还可以将结果以不同的格式下载，以便进一步分析【40†source】【41†source】【42†source】。
您可以通过访问以下链接来使用这个工具：DATAtab - K-means Clustering Calculator。
我发现了一个名为 Clustergrammer 的免费在线工具，它可以用于可视化和分析高维数据，如交互式和可共享的层次聚类热图。Clustergrammer 支持直观地探索高维数据，并提供多种可选的生物特定功能【50†source】。
要使用 Clustergrammer，您需要准备一个以制表符分隔的矩阵文件（.txt 或 .tsv 格式），然后上传到该工具【51†source】。Clustergrammer 支持不同大小的数据集，如小型矩阵（38x29）、中型矩阵（250x12）和大型矩阵（500x300）【52†source】。上传数据后，您将获得一个永久且可共享的链接，用于查看您的可视化结果【53†source】。
您可以访问 Clustergrammer 来使用这个工具。
在进行均值聚类（如 K-means 聚类）时，”Distance Type” 和 “Linkage Type” 这两个参数通常用于层次聚类，而不是 K-means 聚类。然而，如果你需要选择这些参数来辅助或可视化 K-means 聚类的结果，下面是一些指导：
Distance Type：这决定了如何测量数据点之间的距离。对于均值聚类，常用的距离类型包括：
- 欧几里得距离（Euclidean Distance）：最常用的距离度量，适合多数情况。
- 曼哈顿距离（Manhattan Distance）：当数据的各个维度具有相同的单位或相同的重要性时适用。
Linkage Type：这指的是在层次聚类中如何将数据点或数据点群组合起来。常见的类型包括：
- 平均连锁（Average Linkage）：计算不同群组中所有点对之间的平均距离。
- 最近邻链锁（Single Linkage）：计算不同群组中最近的点对之间的距离。
对于均值聚类（K-means），建议使用欧几里得距离和平均连锁，因为这些方法通常与K-means聚类的直观概念相吻合。然而，最佳选择可能取决于您的具体数据和分析目标。
library(gplots)
假设你的数据存储在一个文本文件中，例如 ‘your_data_file.txt’
#data_file_path <- “可WGCNA - 整理 - 去零.txt” # 替换为你的文件路径
data_file_path <- “可WGCNA - 整理 - 去零 - 副本.txt” # 替换为你的文件路径
clusters_num <- 5 # 设置聚类的数量
读取数据
data <- read.table(data_file_path, header = TRUE, row.names = 1, sep = “\t”)
data_matrix <- as.matrix(data)
执行K-means聚类
kmeans_result <- kmeans(data_matrix, centers = clusters_num)
执行K-means聚类
#kmeans_result <- kmeans(data_matrix, centers = clusters_num)
计算每个簇中的基因数量
cluster_sizes <- table(kmeans_result$cluster)
print(cluster_sizes)
根据聚类结果排序数据
sorted_data <- data_matrix[order(kmeans_result$cluster), ]
定义颜色
my_palette <- colorRampPalette(c(“green”, “red”))(n = 299)
绘制热图
heatmap.2(sorted_data,
main = “K-means Clustering Heatmap”,
scale = “row”,
trace = “none”,
col = my_palette,
density.info = “none”,
tracecol = NA)
缩小基因名字体大小
heatmap.2(sorted_data,
main = “K-means Clustering Heatmap”,
scale = “row”,
trace = “none”,
col = my_palette,
density.info = “none”,
tracecol = NA,
cexRow = 0.5) # 调整基因名字体大小
或者，要完全删除基因名
heatmap.2(sorted_data,
main = “K-means Clustering Heatmap”,
scale = “row”,
trace = “none”,
col = my_palette,
density.info = “none”,
tracecol = NA,
labRow = NA) # 不显示基因名
for (i in 1:clusters_num) {
cluster_genes <- rownames(sorted_data)[kmeans_result$cluster == i]
cluster_data <- sorted_data[cluster_genes, ]
write.table(cluster_data,
file = paste0(“cluster_”, i, “.txt”),
sep = “\t”,
quote = FALSE,
col.names = NA)
}
library(ggplot2)
library(gplots)
library(reshape2)
假设以下是之前的代码部分
…
为每个簇生成折线图
for (i in 1:clusters_num) {
cluster_genes <- rownames(sorted_data)[kmeans_result$cluster == i]
cluster_data <- sorted_data[cluster_genes, ]
将行名（基因名）添加为数据框的一列
cluster_data_df <- as.data.frame(cluster_data)
cluster_data_df$Gene <- rownames(cluster_data_df)
将数据转换为长格式，适合ggplot2使用
long_data <- melt(cluster_data_df, id.vars = “Gene”)
names(long_data) <- c(“Gene”, “Condition”, “Expression”)
绘制折线图
p <- ggplot(long_data, aes(x = Condition, y = Expression, group = Gene)) +
geom_line() +
labs(title = paste(“Expression Patterns in Cluster”, i),
x = “Condition”,
y = “Expression Level”) +
theme_minimal()
显示图形
print(p)
可选择保存图形
ggsave(paste0(“cluster_”, i, “_line_plot.png”), p)
}
library(ggplot2)
library(reshape2)
假设已有的代码部分
…
仅为第一个聚类簇生成折线图
i <- 1
cluster_genes <- rownames(sorted_data)[kmeans_result$cluster == i]
cluster_data <- sorted_data[cluster_genes, ]
将行名（基因名）添加为数据框的一列
cluster_data_df <- as.data.frame(cluster_data)
cluster_data_df$Gene <- rownames(cluster_data_df)
将数据转换为长格式，适合ggplot2使用
long_data <- melt(cluster_data_df, id.vars = “Gene”)
names(long_data) <- c(“Gene”, “Condition”, “Expression”)
绘制折线图
p <- ggplot(long_data, aes(x = Condition, y = Expression, group = Gene)) +
geom_line() +
labs(title = paste(“Expression Patterns in Cluster”, i),
x = “Condition”,
y = “Expression Level”) +
theme_minimal()
显示图形
print(p)
