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。
我的数据由规则网格的每个字段的五个变量（温度、温度幅度、降水、海拔和土壤类型）组成。我有超过 100 万个字段（=数据框中的行）。
其中四个变量是数字，土壤类型是描述为数字的分类变量。（数值数据已经标准化。）我决定计算 Gower 距离相异矩阵，并在这个矩阵上执行 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
我不想采样，因为变量是渐变的。我试图计算频率并对较小的数据执行高尔距离，但它仍然太大。
我想我可能（1）手动分块大数据集，（2）到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作为距离分析的每个变量范围的“描述”，（3）使用gower.dist函数计算每个块的相异矩阵，（4）删除额外的行和（5）将所有块相异矩阵合并为一个大相异矩阵。
您认为这是一种正确且有效的方式吗？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？