层次聚类 (scipy.cluster.hierarchy)

这些函数将层次聚类切割成扁平聚类，或者通过提供每个观察的扁平聚类 ID 来找到由切割形成的森林的根。

fcluster(Z, t[, criterion, depth, R, monocrit])	从给定的链接矩阵定义的层次聚类中形成扁平聚类。
fclusterdata(X, t[, criterion, metric, ...])	使用给定的度量标准对观测数据进行聚类。
leaders(Z, T)	返回层次聚类中的根节点。

这些是用于凝聚聚类的例程。

linkage(y[, method, metric, optimal_ordering])	执行层次/凝聚聚类。
single(y)	在压缩距离矩阵 y 上执行单连接/最小连接/最近邻连接。
complete(y)	在压缩距离矩阵上执行完全/最大/最远点连接。
average(y)	在压缩距离矩阵上执行平均/UPGMA 连接。
weighted(y)	在压缩距离矩阵上执行加权/WPGMA 连接。
centroid(y)	执行质心/UPGMC 连接。
median(y)	执行中位数/WPGMC 连接。
ward(y)	在压缩距离矩阵上执行 Ward 连接。

这些例程计算层次结构上的统计信息。

cophenet(Z[, Y])	计算由链接 Z 定义的层次聚类中每个观察值之间的共表型距离。
from_mlab_linkage(Z)	将 MATLAB(TM) 生成的链接矩阵转换为与此模块兼容的新链接矩阵。
inconsistent(Z[, d])	计算链接矩阵上的不一致性统计信息。
maxinconsts(Z, R)	返回每个非单例集群及其子集群的最大不一致系数。
maxdists(Z)	返回任何非单例集群之间的最大距离。
maxRstat(Z, R, i)	返回每个非单例集群及其子集群的最大统计量。
to_mlab_linkage(Z)	将链接矩阵转换为与 MATLAB(TM) 兼容的矩阵。

用于可视化扁平集群的例程。

dendrogram(Z[, p, truncate_mode, ...])

将层次聚类绘制为树状图。

这些是用于将层次结构表示为树对象的数据结构和例程。

ClusterNode(id[, left, right, dist, count])	用于表示集群的树节点类。
leaves_list(Z)	返回叶节点 ID 的列表。
to_tree(Z[, rd])	将链接矩阵转换为易于使用的树对象。
cut_tree(Z[, n_clusters, height])	给定链接矩阵 Z，返回切割树。
optimal_leaf_ordering(Z, y[, metric])	给定链接矩阵 Z 和距离，重新排序切割树。

这些是用于检查链接和不一致性矩阵有效性的谓词，以及用于检查两个扁平聚类分配的同构性。

is_valid_im(R[, warning, throw, name])	如果传递的不一致性矩阵有效，则返回 True。
is_valid_linkage(Z[, warning, throw, name])	检查链接矩阵的有效性。
is_isomorphic(T1, T2)	确定两个不同的聚类分配是否等效。
is_monotonic(Z)	如果传递的链接是单调的，则返回 True。
correspond(Z, Y)	检查链接矩阵和压缩距离矩阵之间的一致性。
num_obs_linkage(Z)	返回传递的链接矩阵的原始观测次数。

用于绘图的实用程序例程

set_link_color_palette(palette)

设置供树状图使用的 matplotlib 颜色代码列表。

实用程序类

DisjointSet([elements])

用于增量连通性查询的不相交集数据结构。