聚类分析方法（观测值聚类）的选择细节特别多，下面是根据手册总结出的结果，供参阅。
method=指定方法：一般会根据观测值多少（size）、形状（shape）、离散性（dispersion）来综合判断使用什么方法;
1）K-means和ward倾向于每个类中有相同的观测值。
2）average倾向于聚的类具有相同的方差；
3）非参模型single、twostage和density系列的方法倾向于不规则的图形。
4）Centroid（质心）对异常值比较稳健。
一般来说可以分成下面几类是常用的，如果聚类特征特别好，哪种方法基本上没有什么区别。
1）类间界限不清晰的情况，一般使用twostage（调整k）和ward的方法
title;
data closer;
   keep x y c;
   n=50; scale=1;
   mx=0; my=0; c=3; link generate;
   mx=3; my=0; c=1; link generate;
   mx=1; my=2; c=2; link generate;
   stop;
generate:
   do i=1 to n;
     x=rannor(9)*scale+mx;
     y=rannor(9)*scale+my;
     output;
   end;
   return;
run;
proc sgplot;
     scatter y=y x=x / group=c ;
run;

2）不同观测值和离散性的多元正态（twostage（调整k）、single）
data unequal;
   keep x y c;
   mx=1; my=0; n=20; scale=.5; c=1; link generate;
   mx=6; my=0; n=80; scale=2.; c=3; link generate;
   mx=3; my=4; n=40; scale=1.; c=2; link generate;
   stop;
generate:
  do i=1 to n;
    x=rannor(1)*scale+mx;
    y=rannor(1)*scale+my;
    output;
  end;
  return;
run;
proc sgplot;
     scatter y=y x=x / group=c;
run;

3）细长型的数据分布（twostage（圆形区域内聚类）、结合aceclus（细长型的聚类））
data elongate;
    keep x y z;
    ma=8; mb=0; z=1; link generate;
    ma=6; mb=8; z=2; link generate;
    stop;
generate:
    do i=1 to 50;
      a=rannor(7)*6+ma;
      b=rannor(7)+mb;
      x=a-b;
      y=a+b;
      output;
     end;
return;
run;
proc sgplot;
     scatter y=y x=x / group=z;
run;

4）Nonconvex聚类(centroid、twostage（调整k扑捉非线性趋势）)
data noncon;
   keep x y;
   do i=1 to 100;
     a=i*.0628319;
     x=cos(a)+(i>50)+rannor(7)*.1;
     y=sin(a)+(i>50)*.3+rannor(7)*.1;
     output;
   end;
run;
proc fastclus data=noncon out=out maxc=2 noprint;
run;
proc sgplot;
     scatter y=y x=x / group=cluster;
run;


不规则图形还是要看需要扑捉到什么图形，一般可以在非参的一类方法中，调整参数达到目的
以上均是2个变量的间的散点图，如果需要绘制多变量简单的图形，一般通用的做法是绘制典型变量的图形
在SAS中一般会结合典型判别过程进行处理。