凝聚层次聚类（Agglomerative Hierarchical Clustering）是一种自底向上的聚类方法。它首先将每个对象看作是一个单独的簇，然后按照某种准则（如距离）逐渐合并这些簇，直到满足某个终止条件（如达到预设的簇的数量或簇间的距离超过某个阈值）。

在Python中，你可以使用scikit-learn库中的AgglomerativeClustering类来实现凝聚层次聚类。以下是一个简单的例子：

python复制代码

	from sklearn.cluster import AgglomerativeClustering
	from sklearn.datasets import make_blobs
	import matplotlib.pyplot as plt
	# 生成模拟数据
	X, y = make_blobs(n_samples=300, centers=4, cluster_std=0.60, random_state=0)
	# 实例化凝聚层次聚类模型，设置簇的数量为4
	agg = AgglomerativeClustering(n_clusters=4)
	# 对数据进行聚类
	assignment = agg.fit_predict(X)
	# 绘制结果
	plt.scatter(X[:, 0], X[:, 1], c=assignment, cmap='viridis')
	centers = agg.cluster_centers_
	plt.scatter(centers[:, 0], centers[:, 1], c='black', s=200, alpha=0.5)
	plt.show()

在这个例子中，我们首先使用make_blobs函数生成了一个包含300个样本、4个中心的模拟数据集。然后，我们创建了一个AgglomerativeClustering对象，并设置要生成的簇的数量为4。接着，我们使用fit_predict方法对数据进行聚类，并将结果赋值给assignment。最后，我们使用matplotlib库绘制了聚类结果。

注意，凝聚层次聚类的一个重要参数是连接准则，它决定了如何计算簇之间的距离。AgglomerativeClustering类默认使用最小距离（单链接），但你也可以选择使用最大距离（全链接）或平均距离（平均链接）。你可以通过linkage参数来设置这个值，例如linkage='complete'表示使用最大距离。

此外，你还可以设置其他参数来优化聚类结果，如distance_threshold（用于提前停止合并的阈值）和affinity（用于计算距离的度量方法）。具体的使用方法可以参考scikit-learn的官方文档。