我认为在您的情况下，层次聚类会更省时（使用单一维度）。根据您的任务，您可以实现如下内容：

具有 N 个数据点 d _i及其一维值 x _i：

1. _{根据 x i}值对数据点进行排序。
2. 计算相邻数据点之间的距离（N-1 距离）。必须为每个距离分配一对原始数据点 (d _i , d _j )。
3. 按降序对距离进行排序以生成数据点对列表 (d _i , d _j )，从最近的一对开始。
4. 从列表的开头（最近的对）开始，迭代地将数据点 (d _i , d _{j ) 合并到集群中。}（根据 d _i和 d _j的当前状态，将它们合并意味着：（a）为两个非集群数据点创建新集群，（b）将数据点添加到现有集群和（c）合并两个集群。）
5. 如果距离超过某个阈值，请停止联合。
6. 为未进入集群的数据点创建单例集群。

该算法实现了单链接聚类。它可以很容易地调整以实现平均链接。完整的链接效率会降低，但根据您的数据和任务，更简单的链接可能会产生良好的结果。

我相信对于 200K 数据点，如果您为上述操作使用适当的数据结构，它必须少于第二个。

尝试使用 HDBSCAN，即使它是一种分层方法，它也可能被证明更有效。我在比 200k 长一点的多维数据集上运行它，运行时间不到一分钟。需要注意的是它可能产生的集群数量。如果它们太多，您可能要坚持使用分区方法。