要使用Python画出聚类树图，需要使用相关的库和数据。以下是一个简单的示例：

首先，导入必要的库：

import matplotlib.pyplot as plt
import scipy.cluster.hierarchy as sch
import numpy as np
 

然后，创建一个数据集：

# 创建一个随机数据集
x = np.random.rand(10, 2)
 

接下来，计算数据集中各个数据点之间的距离矩阵：

# 计算距离矩阵
d = sch.distance.pdist(x)
 

然后，利用距离矩阵进行层次聚类：

# 进行层次聚类
Z = sch.linkage(d, method='single')
 

最后，利用层次聚类结果进行可视化：

# 绘制聚类树图
plt.figure(figsize=(10, 5))
sch.dendrogram(Z)
plt.show()
 

完整示例代码如下：

import matplotlib.pyplot as plt
import scipy.cluster.hierarchy as sch
import numpy as np

# 创建一个随机数据集
x = np.random.rand(10, 2)

# 计算距离矩阵
d = sch.distance.pdist(x)

# 进行层次聚类
Z = sch.linkage(d, method='single')

# 绘制聚类树图
plt.figure(figsize=(10, 5))
sch.dendrogram(Z)
plt.show()
 

运行以上代码，将会生成一个聚类树图。可以根据实际需求，调整数据集和参数，以达到期望的效果。

在Python中，可以使用`scipy`库中的`hierarchy`模块来绘制层次聚类的树图（dendrogram）。下面是一个简单的例子，展示了如何使用`scipy`来执行层次聚类并绘制树图。

首先，你需要安装`scipy`库（如果你还没有安装的话）：

```bash
pipinstallscipy
```

然后，你可以使用以下代码来绘制层次聚类的树图：

```python
importnumpyasnp
importmatplotlib.pyplotasplt
fromscipy.cluster.hierarchyimportdendrogram,linkage
fromscipy.spatial.distanceimportpdist

#创建一些示例数据
X=np.array([[0,0],[0,1],[1,0],[1,1]])

#计算欧式距离矩阵
distances=pdist(X,'euclidean')
#使用最远邻方法（CompleteLinkage）执行层次聚类
Z=linkage(distances,'complete')

#绘制树状图
plt.figure(figsize=(8,5))
dendrogram(Z)
plt.title('HierarchicalClusteringDendrogram(CompleteLinkage)')
plt.xlabel('sampleindexor(clustersize)')
plt.ylabel('distance')
plt.show()
```

在这个例子中，我们首先创建了一个简单的二维数据集`X`，然后使用`pdist`函数计算了数据点之间的欧式距离。接着，我们使用`linkage`函数来执行层次聚类，这里使用了"complete"方法，它根据最远邻值合并簇。最后，我们使用`dendrogram`函数绘制了树状图。

注意，树状图的高度反映了数据点之间的距离，而宽度则反映了簇的大小。你可以根据需要调整树状图的参数，例如颜色、标签等。