Dưới đây là một số đặc điểm của dữ liệu có thể ảnh hưởng mạnh mẽ đến phân tích cụm:
Số chiều cao (High Dimensionality) – Trong các tập dữ liệu số chiều cao, khái niệm mật độ Euclid truyền thống, là số điểm trên thể tích đơn vị, trở nên quan trọng. Giả định rằng khi số chiều tăng, thể tích tăng theo hàm mũ, và trừ khi số điểm tăng theo hàm mũ với số chiều, mật độ có xu hướng về 0. Cũng có thể xem sự gần kề trở nên đồng đều hơn trong không gian số chiều cao. Có cách khác để xem vấn đề này là có nhiều chiều (thuộc tính) hơn đóng góp vào sự gần kề giữa hai điểm và điều này tend to làm cho sự gần kề đồng đều hơn. Vì hầu hết các kỹ thuật phân cụm dựa trên sự gần kề hoặc mật độ, chúng có thể gặp khó khăn với dữ liệu số chiều cao. Một cách để giải quyết các vấn đề này là sử dụng các phương pháp giảm chiều.
Kích thước (Size) – Một số thuật toán phân cụm hoạt động tốt cho tập dữ liệu nhỏ hoặc trung bình nhưng không thể xử lý tập dữ liệu lớn.
Thưa (Sparseness) – Dữ liệu thưa bao gồm các thuộc tính không đối xứng, nơi giá trị zero không quan trọng bằng giá trị khác zero. Do đó, các phép đo độ tương đồng phù hợp cho thuộc tính không đối xứng thường được sử dụng.
Nhiễu và giá trị ngoại lai (Noise and Outliers) – Một điểm chung (ngoại lai) có thể làm giảm nghiêm trọng hiệu suất của các thuật toán phân cụm, đặc biệt là các thuật toán dựa trên mẫu như K-means. Nói cách khác, nhiễu có thể khiến các kỹ thuật như single link gộp các cụm không nên được gộp. Thông thường, các thuật toán loại bỏ nhiễu và ngoại lai được dùng trước khi áp dụng thuật toán phân cụm. Hơn nữa, một số thuật toán có thể xác định các điểm xác định nhiễu và ngoại lai trong giai đoạn phân cụm và sau đó loại bỏ chúng hoặc loại bỏ tác động tiêu cực của chúng.
Loại thuộc tính và tập dữ liệu (Type of Attributes and Data Set) – Tập dữ liệu có thể thuộc nhiều loại, bao gồm có cấu trúc, đồ thị, hoặc có thứ tự, trong khi thuộc tính có thể là phân loại (danh nghĩa hoặc thứ tự) hoặc định lượng (khoảng hoặc tỷ lệ), và là nhị phân, rời rạc, hoặc liên tục. Nhiều phép đo gần kề và mật độ khác nhau phù hợp cho nhiều loại dữ liệu khác nhau. Trong một số trường hợp, dữ liệu có thể cần được rời rạc hóa hoặc nhị phân hóa để phép đo gần kề mong muốn hoặc thuật toán phân cụm có thể được sử dụng. Khó khăn khác xuất hiện khi các thuộc tính thuộc các loại khác biệt rộng rãi, ví dụ: liên tục và danh nghĩa. Theo cách này, gần kề và mật độ khó xác định hơn và mang tính ad hoc hơn. Cuối cùng, các cấu trúc dữ liệu và thuật toán cụ thể có thể cần thiết để xử lý hiệu quả một số loại dữ liệu nhất định.
Thang đo (Scale) – Nhiều thuộc tính như chiều cao và cân nặng, có thể được đo trên các thang đo khác nhau. Những khác biệt này có thể ảnh hưởng mạnh mẽ đến khoảng cách hoặc độ tương đồng giữa hai đối tượng và do đó ảnh hưởng đến kết quả phân tích cụm. Xét việc phân cụm một tập hợp người dựa trên chiều cao (đo bằng mét) và cân nặng (đo bằng kilogram).