您可以探索Pandas DataFrame.corr和scipy.cluster Hierarchical Clustering包的使用

import pandas as pd
import scipy.cluster.hierarchy as spc

df = pd.DataFrame(my_data)
corr = df.corr().values

pdist = spc.distance.pdist(corr)
linkage = spc.linkage(pdist, method='complete')
idx = spc.fcluster(linkage, 0.5 * pdist.max(), 'distance')

好吧，@Wes的回答是建议使用一些好的函数来完成任务，但是他使用了错误的函数。在阅读了一些文档之后，似乎你需要一个*压缩 * 成对距离矩阵，然后将其传递给spc.linkage函数，这是距离矩阵的上三角部分，逐行。
它还说spc.pdist函数返回一个压缩形式的距离矩阵。然而，输入不是相关矩阵或类似的东西。它需要 * 观察 *，并将它们转换为给定度量的矩阵本身。
现在，协方差矩阵或相关矩阵已经将观察结果总结为一个矩阵，这对你来说并不奇怪。它代表的不是距离，而是相关性。这里我不确定在数学上最合理的做法是什么，但我相信你可以通过计算1.0 - corr将这个相关矩阵转换为某种距离矩阵。
让我们这样做：

pdist_uncondensed = 1.0 - corr
pdist_condensed = np.concatenate([row[i+1:] for i, row in enumerate(pdist_uncondensed)])
linkage = spc.linkage(pdist_condensed, method='complete')
idx = spc.fcluster(linkage, 0.5 * pdist_condensed.max(), 'distance')