如果你有$n$每小时降雨量测量的时间序列 ($x$=时间，$y$=amount of rain)，并根据 Dynamic Time Warping 计算每对时间序列之间的距离矩阵，然后绘制簇，簇图上的 X 轴和 Y 轴分别代表什么？

他们保持不变，$x$=时间，$y$=雨量 - 动态时间扭曲（DTW）改变时间，因此雨量曲线对齐它们的峰值和谷值。

一个不同的例子可能更容易理解。在 Berndt 和 Clifford 的论文中（见下文），雪鞋野兔的种群被绘制并受到 DTW 的影响。你可以看到随着野兔数量的增加，猎杀猞猁的能力也在增加。随着山猫数量的增加，野兔的数量下降了。这影响了对猞猁的狩猎，这再次使野兔数量增加。这会在数据中创建一个双峰，使用 DTW 可以对齐这些峰。

在 k-medoids 或 k-means 图中，X 还是时间，Y 还是雨量？

对齐时间/人口（类似于时间/降雨）后，可以使用k-medoids或k-means图绘制地图上的位置。

K-medoids (also: Partitioning Around Medoids, PAM) 使用 medoid 而不是均值，这样可以最小化任意距离函数的距离总和。K-means 聚类旨在将 n 个观测值划分为 k 个簇，其中每个观测值属于具有最接近均值的簇，作为该簇的原型。

时间变量将在地图上绘制一段时间，例如一个月、季节或一年；所以虽然时间没有“丢失”，但它也没有$x$或者$y$. 相反，地图上的颜色可以表示在整个时间段内某个位置的数量。

查看何时应用 k-medoids 或 k-means 时“时间”不存在$x$或者$y$，在此示例中，位置位于$x$和$y$：

参考：

“通过动态时间扭曲对齐曲线”，作者 Theo Gasser 和 Kongming Wang。

“使用动态时间扭曲来查找时间序列中的模式”，Donald J. Berndt 和 James Clifford。

“聚类分析应用于 NDVI/NOAA 多时相图像以改进甘蔗作物的监测过程”，作者 Luciana Alvim Santos Romani、Renata Ribeiro do Valle Gonçalves、Bruno Ferraz Amaral 和 Agma Traina。

“聚类”不会绘制数据。

无论你绘制什么都是你绘制的，它不是该方法所固有的。

如果您使用例如该clusplot功能，请检查其手册以了解其绘制的内容（在您的情况下，可能是多维缩放）。