聚类分析的方法主要有：层次聚类、K-均值聚类、DBSCAN聚类等。
1. 层次聚类：这是一种通过层次分解的方式来对对象进行分组的方法。它可以从单个对象开始，逐步合并或分裂，直到满足某种条件为止。这种方法的优点是可以生成可解释的树状结构，便于理解。但计算量较大，特别是在处理大规模数据集时效率较低。
2. K-均值聚类：这是一种非常常见且易于实现的聚类方法。其主要思想是将n个样本分到k个集群中，使得每个集群内部的样本尽可能相似，不同集群间的样本尽可能不同。这种方法需要预先确定集群的数量，并且结果会受到初始中心选择的影响。但因其计算效率较高，广泛应用于大规模数据集。
3. DBSCAN聚类：DBSCAN是一种基于密度的空间聚类方法。这种方法的主要优势是它可以在任何空间中找出任何形状的簇，即使数据的分布密度不均匀也没关系。其主要缺点是参数调整相对复杂，同时如果数据集中的噪声点过多，可能会影响聚类的效果。它根据样本之间的密度来创建集群，因此可以在任何形状的样本分布中进行有效的聚类。其主要目标是找到密集的区域并将其连接起来，从而创建集群。此外，该方法还可以识别出数据集中的异常点或噪声点。然而，DBSCAN对于参数的设定较为敏感，不同的参数设定可能会导致完全不同的聚类结果。因此，正确地选择参数是应用DBSCAN的关键步骤之一。
以上三种方法都是聚类分析中常用的方法，各有其特点和适用场景。在实际应用中，需要根据数据的特性和需求选择合适的方法。