基本的算法思路就是：把当前组间距离最小的两组合并成一组。
算法的差异在算法如何确定组件的距离，一般有最大距离，最小距离，平均距离，马氏距离等等。
代码如下：
import numpy as np
import data_helper
np.random.seed(1)
def get_raw_data(n):
_data=np.random.rand(n,2)
#生成数据的格式是n个（x,y）
_groups={idx:[[x,y]] for idx,(x,y) in enumerate(_data)}
return _groups
def cal_distance(cluster1,cluster2):
#采用最小距离作为聚类标准
_min_distance=10000
for x1,y1 in cluster1:
for x2,y2 in cluster2:
_distance=(x1-x2)**2+(y1-y2)**2
if _distance<_min_distance:
_min_distance=_distance
return _distance
groups=get_raw_data(10)
count=0
while len(groups)!=1:#判断是不是所有的数据是不是归为了同一类
min_distance=10000
len_groups=len(groups)
for i in groups.keys():
for j in groups.keys():
if i>=j:
continue
distance=cal_distance(groups[i],groups[j])
if distance<min_distance:
min_distance=distance
min_i=i
min_j=j#这里的j>i
groups[min_i].extend(groups.pop(min_j))
data_helper.draw_data(groups)
#一共n个簇，共迭代n-1次
运行的效果就是迭代一次，组数就会少一次，调用画图方法，同一组的数据被显示为一个颜色。
