scipy.cluster.hierarchy.

centroid#

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

执行质心/UPGMC 链接。

有关输入矩阵、返回结构和算法的更多信息，请参阅 linkage。

以下是常见的调用约定

Z = centroid(y)

对压缩距离矩阵 y 执行质心/UPGMC 链接。
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 链接。

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，可以将 m 个 n 维观测向量的集合作为 m 行 n 列的数组传递。

返回:

Zndarray: 包含层次聚类的链接矩阵。有关其结构的更多信息，请参阅 linkage 函数文档。

另请参阅

linkage: 用于高级创建层次聚类。
scipy.spatial.distance.pdist: 成对距离度量

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，我们从这个数据集中获得一个压缩距离矩阵

>>> 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

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

我们可以使用 scipy.cluster.hierarchy.fcluster 来查看在给定距离阈值的情况下，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，可以使用 scipy.cluster.hierarchy.dendrogram 生成树状图的图。