它改变了结果。使用 k-means 这应该很容易看出：0、0 和 1 的均值与 0 和 1 不同。通常对于层次聚类也是如此，但它取决于链接标准，例如，完全链接不应该受到影响。

一般来说，我会主张将其保留。重复表明这些是变量值的特别可能的组合，因此应该获得更高的权重。这意味着具有相同值的观察不会变得多余。

你真的对这两种算法有性能问题吗？

如果删除重复项，则需要为数据添加权重，否则结果可能会改变（我猜除了单链接聚类）。

如果您的数据集几乎没有重复，这可能会花费您一些运行时间。

如果您的数据集有很多重复项，则可以大大加快处理速度以合并它们并改用权重。如果每个对象平均有 10 个副本，并且使用二次运行时的算法，则加速可以是 100 倍。这是实质性的，非常值得努力合并重复项。