聚类分析是指标降维的一种，主要目的是将很多指标进行聚类，聚类和分类不同，区别是：分类是已经知道有哪些类别，然后将各个指标或者变量进行分类。
聚类则是不知道有哪些类别，根据一定的规则进行聚类。
例如Q型聚类分析（样本聚类）是，第一次的时候计算各个样本（一个样本是一类）之间的距离（这个距离可以是绝对距离，也可以是欧几里得距离等等，常用的是Minkowski距离），将距离最小的两个聚成一类，这个时候就少了一类，然后针对新的N个类重新进行聚类（对于刚才由两个类合并的那个类则可以根据一定的规则进行转化，这个规则包括最短举例法，最长距离法，重心法，类平均法，离差平方和法等等，），重新聚类后又少了一类，循环进行，一直到还有一类聚类结束。
那么到底聚成多少类合适呢？这个由于评判标准不同，也不好说多少类合适。但是在每一次聚类后都会有一个指标，观察这个指标，如果这个指标突然变化，就可以认为聚类到这里就可以了。
R型聚类和Q型聚类类似，R型聚类叫做变量聚类，因为是变量所以一个变量有很多数据，这个时候可以根据各个变量之间的相关性系数（就像Q型聚类的“距离”）确定。聚类分析建议使用spss进行，操作比较简单。还可以直接生成聚类图。点击上方的“分析”，有一个“分类”一般使用的是系统聚类。然后的操作就和主成分那些差不多了，只不过需要选择“方法”“绘制”个案（也可以叫做样本）还是变量。然后就出来结果了，看结果就行了。
在“4”左右形成一类。因为橙色的线在聚类过程中，聚类的指标变化比较大，可以认为到这里聚类结束。（看图法，比较直观，但是不推荐）
也可以看下面的聚类表，系数那一列，第二阶和第三阶对应的系数变化相比其他的比较明显，那么可以认为到这里聚类结束。但是这样聚类效果不好，再往下观察，寻找合适的阶数，确定聚类什么时候结束比较合适（我这里的数据是我随机生成的，聚类效果不好，一般的数据聚类效果会比较好。）具体聚成几类，需综合考虑题目背景与要求还有聚类的结果“系数”等
| 聚类表 |
||||||
| 阶 |
群集组合 |
系数 |
首次出现阶群集 |
下一阶 |
||
| 群集 1 |
群集 2 |
群集 1 |
群集 2 |
|||
| 1 |
1 |
2 |
123.984 |
0 |
0 |
2 |
| 2 |
1 |
11 |
127.201 |
1 |
0 |
3 |
| 3 |
1 |
15 |
137.055 |
2 |
0 |
9 |
| 4 |
3 |
9 |
140.043 |
0 |
0 |
6 |
| 5 |
10 |
13 |
140.314 |
0 |
0 |
10 |
| 6 |
3 |
14 |
140.833 |
4 |
0 |
8 |
| 7 |
4 |
5 |
141.046 |
0 |
0 |
16 |
| 8 |
3 |
17 |
141.053 |
6 |
0 |
10 |
| 9 |
1 |
16 |
141.915 |
3 |
0 |
14 |
| 10 |
3 |
10 |
142.562 |
8 |
5 |
11 |
| 11 |
3 |
18 |
142.780 |
10 |
0 |
12 |
| 12 |
3 |
6 |
143.108 |
11 |
0 |
13 |
| 13 |
3 |
12 |
143.122 |
12 |
0 |
14 |
| 14 |
1 |
3 |
143.346 |
9 |
13 |
15 |
| 15 |
1 |
8 |
143.611 |
14 |
0 |
16 |
| 16 |
1 |
4 |
144.167 |
15 |
7 |
17 |
| 17 |
1 |
7 |
147.010 |
16 |
0 |
0 |