R语言层次聚类如何选择计算距离的方法，及聚类的方法

在进行聚类分析时，如果您的变量都是二分类变量，可以使用欧式距离来计算变量之间的距离。欧式距离可以用来度量连续变量之间的距离，但也可以用于二分类变量。

对于聚类算法的选择，可以根据数据的特点和研究目的进行选择。下面是几种常见的聚类算法及其特点：

K-means算法：K-means算法是一种基于距离的聚类算法，它将数据分成K个簇，并尽可能地使每个簇内的点相似。K-means算法适用于数据量较大的情况，但需要指定簇的个数K。

层次聚类算法：层次聚类算法是一种基于距离的聚类算法，可以将数据分成树状结构的层次，从而形成一系列簇。层次聚类算法包括方法、平均、Ward、完全连接等多种方法，其中Ward方法对于二分类变量比较适用。Ward方法在计算簇的距离时，考虑了簇内方差的增加量，可以有效地控制簇内方差的增加，从而得到更加稳定的聚类结果。

DBSCAN算法：DBSCAN算法是一种基于密度的聚类算法，它将数据分成具有足够密度的区域，并将低密度区域视为噪声。DBSCAN算法不需要指定簇的个数，但需要指定距离阈值和密度阈值。

综上所述，如果您的变量都是二分类变量，可以考虑使用欧式距离来计算距离，同时使用Ward方法进行层次聚类。不过具体的选择还需要结合您的数据特点和研究目的来进行。

是二分类变量的话，聚类是欧式距离。