要按距离将sf对象的特征聚合，可以按照以下步骤进行：

1. 导入必要的库：

import numpy as np
import pandas as pd
from sklearn.cluster import AgglomerativeClustering
from scipy.spatial.distance import pdist, squareform

2. 创建一个示例数据集，其中包含特征数据 sf：

sf = pd.DataFrame({
    'feature1': [1, 2, 3, 4, 5],
    'feature2': [2, 4, 6, 8, 10]
})

3. 计算特征之间的欧氏距离：

distances = pdist(sf.values, metric='euclidean')

4. 将距离矩阵转换为方阵形式：

dist_matrix = squareform(distances)

5. 使用层次聚类算法对特征进行聚类：

agglomerative_clustering = AgglomerativeClustering(n_clusters=2, affinity='precomputed', linkage='average')
labels = agglomerative_clustering.fit_predict(dist_matrix)

6. 将聚类结果添加到原始数据集中：

sf['cluster'] = labels

完整代码示例：

import numpy as np
import pandas as pd
from sklearn.cluster import AgglomerativeClustering
from scipy.spatial.distance import pdist, squareform

sf = pd.DataFrame({
    'feature1': [1, 2, 3, 4, 5],
    'feature2': [2, 4, 6, 8, 10]
})

distances = pdist(sf.values, metric='euclidean')
dist_matrix = squareform(distances)

agglomerative_clustering = AgglomerativeClustering(n_clusters=2, affinity='precomputed', linkage='average')
labels = agglomerative_clustering.fit_predict(dist_matrix)

sf['cluster'] = labels
print(sf)

这样就可以将 sf 对象的特征按照距离进行聚合，并将聚类结果添加到原始数据集中。请根据实际需求修改聚类算法的参数，例如聚类的簇数、距离度量方法等。