K-means聚类：也叫作快速聚类，要求事先选好多少类，例如分3类，那么系统就会生成3个“聚类种子”，然后根据与这3个点的距离远近，把所有的点分成三类，再把这3类的中心（均值）作为新的基石或种子（原来的种子就没用了），重新按照距离分类，如此迭代下去，直到达到停止迭代的要求（比如，各类最后的变化不大了，或者迭代次数太多了）

系统聚类：也叫作分层聚类，开始时有多少点就是多少类，它先把最近的两类（点）合并到一类，然后再把剩下的最近的两类合并成一类，这样下去，每次都少一类，直到最后只有一个大类为止

二阶聚类：连续变量和分类变量可以同时进行，综合考虑分类变量和连续变量的重要性，先构建聚类特征树来“分裂”，再使用系统聚类做"凝聚"的过程，BIC、AIC可以作为判断好坏的指标（值越小，信息损失越少，越好）

3种聚类方法的不同可以从多个角度来看：

• 从个案数量来看，二步聚类和K-means都适用于大型数据，而系统聚类适用的数据量级更小
• 从变量类型来看，二步聚类和系统聚类都适用于分类或连续型，而K-means则对变量要求较高，需要连续且正态的变量才能适用
• 从类别个数来看，K-means是人工指定的数量，二步聚类既可以人工指定也可以系统判断，系统聚类则给出了更多的数量选择过程
• 从解释力度来看，K-means的业务解释力较强，而二步聚类的统计解释力较强
• 从行列方向来看，只有系统聚类可以对变量进行聚类，但是并不经常使用