聚类方法有多种，主要包括以下几种：
1. K均值聚类：这是一种非常流行的聚类方法。它将数据集划分为K个不同的簇，每个簇的中心点是簇内所有点的平均值。这种方法的目标是使得每个簇内的数据点尽可能相似，而不同簇之间的数据点尽可能不同。
2. 层次聚类：这种方法通过创建一个层次结构来进行聚类。它可以是凝聚的（自下而上）或分裂的（自上而下）。在凝聚层次聚类中，相似的对象首先被组合成较小的簇，然后这些簇根据它们之间的相似性被合并成更大的簇，直到满足某个终止条件。
3. 谱聚类：这是一种基于图理论的聚类方法。它首先构建一个相似性矩阵来描述数据点之间的相似性，然后使用这个矩阵的谱（即矩阵的特征向量和特征值）来进行聚类。谱聚类能够发现非线性结构的聚类边界。
4. DBSCAN聚类：这是一种基于密度的空间聚类方法。它根据数据点的密度来形成簇，并能够识别出噪声点。DBSCAN对于任意形状的簇和噪声数据的处理效果很好，并且不需要预先设定簇的数量。
每种聚类方法都有其独特的特点和适用场景。选择哪种方法取决于数据的特性、所需的聚类形状以及计算资源等因素。在实际应用中，可能还需要结合数据预处理和参数调整来获得最佳的聚类效果。