请解释层次聚类算法用于数据聚类分析的具体过程，并比较其与 K-means 算法之间的差异。

回答思路

1. 【回答框架 1】层次聚类是自底向上（凝聚）或自顶向下（分裂）的聚类方法，通过计算样本间距离并逐步合并或分裂形成树状图。凝聚层次聚类通常从每个样本作为单独簇开始，每次合并最近的两个簇，直到达到指定簇数或全部合并。
2. 【回答框架 2】与 K-means 的区别：层次聚类不需要预先指定簇数 K，可通过树状图选择簇数；而 K-means 必须提前设定 K。层次聚类结果稳定，K-means 受初始中心影响可能不同。层次聚类适合小数据集，时间复杂度高（O(n³)），K-means 效率高（O(nkt)），适合大数据。
3. 【回答框架 3】层次聚类可生成不同粒度的簇，并通过树状图直观展示层次关系；K-means 假设簇为凸形，对非凸簇效果差。层次聚类基于距离或相似度，可自定义距离度量；K-means 使用欧氏距离，对异常值敏感。
4. 【回答框架 4】实践中，层次聚类常先取样或与 K-means 结合（如先 K-means 再层次），以处理大数据；也可用 BIRCH、CURE 等改进算法提高可扩展性。
5. 【关键点 1】层次聚类无需预设簇数，可树状图选簇。
6. 【关键点 2】K-means 需 K 值，对初值敏感，适合大数据。
7. 【关键点 3】层次聚类时间复杂高，约 O(n³)，K-means 为 O(nkt)。
8. 【关键点 4】层次聚类适合小数据集和非凸簇，K-means 适合球形簇。
9. 【关键点 5】层次聚类结果稳定，K-means 可能局部最优。
10. 【易错点 1】层次聚类不可逆，无法调整合并错误。
11. 【易错点 2】K-means 假设簇凸形，对异常值敏感。
12. 【易错点 3】距离度量选择影响层次聚类结果，需按数据特性选择。