层次聚类法是数据挖掘中的一种重要方法，它通常分为自底向上和自顶向下两种方式。这两种方法的原理相似，只是运算方向相反。自底向上，又称合并法，是将每个样本看作一个独立的类，然后通过计算距离，将距离相近的样本合并为一类，直到达到预设的聚类数或目标。而自顶向下的方法则相反，它先将所有样本看作一类，然后逐步成更小的类别。无论采用哪种方法，关键在于距离的定义。
1. 最短距离法以两个样本间最短的距离作为两个类的距离。相对地，最长距离法则取两个样本间最长的距离。
2. 中间距离法涉及其他概念的计算方式。
3. 类平均法通过计算类内样本的平均值来定义类之间的距离。
4. 重心法利用类内样本的重心作为代表点进行计算。
5. 离差平方和法，又称Ward最小方差法，基于方差分析思想，合理的分类应使同类样本间离差平方和较小，类与类间离差平方和较大。该方法适用于大样本量或复杂变量类型的数据集，但要求样品间的距离为欧氏距离。
与层次聚类不同，K-Means聚类是一种快速聚类法，适用于大样本量数据或前期数据清洗工作。该方法需分析师指定聚类数量K，并迭代更新中心点及类别归属，直至达到稳定状态。K-Means聚类计算量小、效率高、对硬件依赖低，但其应用范围较窄，需预先确定聚类数，对初始点位置敏感，易受异常值影响，且仅适用于连续变量聚类。
两步聚类法结合了K-Means和系统聚类方法，先进行快速聚类后进行系统聚类选择合适的分类数量。在使用聚类方法时，结合业务理解进行数据变换和维度分析至关重要。聚类结果需谨慎解读和修正以贴近业务需求。
关于问题：
1. 答案：A 解析：层次聚类能形成聚类树形图谱，便于直观确定类之间的划分。
2. 答案：ABC 解析：K均值聚类法的缺陷包括对初始点位置敏感、无法通过分析方法确定聚类个数以及易受异常值影响。
3. 答案：BD 解析：在定位刷信用级别的违规者时，不应进行改变原有分布形态的变量转换，如百分位秩转换和分箱处理。