我想对地理数据进行聚类，以对我所在地区的景观类型进行分类。
我的数据包括每个常规网格场的五个变量（温度，温度幅度，降水量，海拔高度和土壤类型）。我有超过100万个字段（=数据帧中的行）。
其中四个变量是数字，土壤类型是分类变量，描述为数字。 （数字数据已经标准化。）我决定计算Gower距离相异矩阵，并在此矩阵上执行PCA和层次聚类。但是，数据太大了。
SOIL PREC TEMP ALT AMP
0 6 1.000 1.146 0.157 -0.579
1 6 0.948 1.224 0.154 -0.579
2 5 1.000 1.146 0.201 -0.662
3 6 1.078 1.093 0.177 -0.620
4 6 1.000 1.146 0.182 -0.620
5 6 1.000 1.146 0.186 -0.599
我不想抽样，因为变量是渐变的。我试图计算频率并在较小的数据上执行Gower距离，但它仍然太大。
我想我可能会 （1）手动chunk大数据集， （2）向每个块矩阵添加两个额外的行，其中变量的最大值和最小值为＆＃34;描述＆＃34;对于距离分析，每个变量的范围， （3）用gower.dist函数计算每个块的相异度矩阵， （4）删除多余的行和 （5）将所有块相异矩阵合并为一个大的相异矩阵。
你认为这是正确和有效的方式吗？您对如何处理此问题有任何其他建议吗？
在相异矩阵上执行PCA是否正确？