scipy.cluster.hierarchy.

centroid#

scipy.cluster.hierarchy.centroid(y)[源代码]#

执行质心/UPGMC 联动。

有关输入矩阵、返回结构和算法的更多信息，请参见 linkage。

以下是常见的调用约定

  1. Z = centroid(y)

    对压缩距离矩阵 y 执行质心/UPGMC 联动。

  2. Z = centroid(X)

    使用欧几里得距离作为距离度量，对观测矩阵 X 执行质心/UPGMC 联动。

参数:
yndarray

压缩距离矩阵。 压缩距离矩阵是一个平面数组，包含距离矩阵的上三角部分。 这是 pdist 返回的形式。 或者，可以传递 n 维中的 m 个观测向量的集合作为 m x n 数组。

返回:
Zndarray

包含层次聚类的联动矩阵。 有关其结构的更多信息，请参见 linkage 函数文档。

另请参见

linkage

用于高级层次聚类的创建。

scipy.spatial.distance.pdist

成对距离度量

注释

centroid 除了 NumPy 之外，还实验性地支持 Python Array API Standard 兼容后端。 请考虑通过设置环境变量 SCIPY_ARRAY_API=1 并提供 CuPy、PyTorch、JAX 或 Dask 数组作为数组参数来测试这些功能。 支持以下后端和设备（或其他能力）的组合。

库

CPU

GPU

NumPy

✅

n/a

CuPy

n/a

⛔

PyTorch

✅

⛔

JAX

✅

⛔

Dask

⚠️ 合并块

n/a

有关更多信息，请参见 支持数组 API 标准。

示例

>>> from scipy.cluster.hierarchy import centroid, fcluster
>>> from scipy.spatial.distance import pdist

首先，我们需要一个玩具数据集来玩

x x    x x
x        x

x        x
x x    x x

>>> X = [[0, 0], [0, 1], [1, 0],
...      [0, 4], [0, 3], [1, 4],
...      [4, 0], [3, 0], [4, 1],
...      [4, 4], [3, 4], [4, 3]]

然后，我们从此数据集获取压缩距离矩阵

>>> y = pdist(X)

最后，我们可以执行聚类

>>> Z = centroid(y)
>>> Z
array([[ 0.        ,  1.        ,  1.        ,  2.        ],
       [ 3.        ,  4.        ,  1.        ,  2.        ],
       [ 9.        , 10.        ,  1.        ,  2.        ],
       [ 6.        ,  7.        ,  1.        ,  2.        ],
       [ 2.        , 12.        ,  1.11803399,  3.        ],
       [ 5.        , 13.        ,  1.11803399,  3.        ],
       [ 8.        , 15.        ,  1.11803399,  3.        ],
       [11.        , 14.        ,  1.11803399,  3.        ],
       [18.        , 19.        ,  3.33333333,  6.        ],
       [16.        , 17.        ,  3.33333333,  6.        ],
       [20.        , 21.        ,  3.33333333, 12.        ]]) # may vary

联动矩阵 Z 表示一个树状图 - 有关其内容的详细说明，请参见 scipy.cluster.hierarchy.linkage。

我们可以使用 scipy.cluster.hierarchy.fcluster 来查看在给定的距离阈值下，每个初始点将属于哪个聚类

>>> fcluster(Z, 0.9, criterion='distance')
array([ 7,  8,  9, 10, 11, 12,  1,  2,  3,  4,  5,  6], dtype=int32) # may vary
>>> fcluster(Z, 1.1, criterion='distance')
array([5, 5, 6, 7, 7, 8, 1, 1, 2, 3, 3, 4], dtype=int32) # may vary
>>> fcluster(Z, 2, criterion='distance')
array([3, 3, 3, 4, 4, 4, 1, 1, 1, 2, 2, 2], dtype=int32) # may vary
>>> fcluster(Z, 4, criterion='distance')
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1], dtype=int32)

此外，scipy.cluster.hierarchy.dendrogram 可用于生成树状图的绘图。

在此页面上