我会说层次聚类通常更可取，因为它既更灵活，而且对基础数据分布的隐藏假设更少。

使用 k-Means 聚类，您需要提前了解所需的聚类数量（这是“k”值）。此外，如果 (a) 您的数据没有很好地分离成类似球形的集群，(b) 您选择了一个不太适合您的数据形状的“k”，即您选择一个值太高或太低，或者 (c) 集群质心的初始值很奇怪（一种策略是运行一堆具有随机起始质心的 k-means 算法，并将一些常见的聚类结果作为最终结果）。

相比之下，层次聚类对数据分布的假设较少 - 唯一的要求（k-means 也共享）是可以计算每对数据点的距离。层次聚类通常将附近的点“加入”到一个集群中，然后将附近的点连续添加到最近的组中。你最终会得到一个“树状图”，或者一种连接图。通过在不同高度切割树状图，您可以使用该图来决定您的数据有多少个聚类。当然，如果您需要预先决定想要多少个集群（基于某种业务需求），您也可以这样做。层次聚类的计算成本可能更高，但通常会产生更直观的结果。