scipy.cluster.hierarchy.

is_isomorphic#

scipy.cluster.hierarchy.is_isomorphic(T1, T2)[源代码]#

确定两个不同的聚类分配是否等效。

参数:

T1类数组: 单例聚类 ID 到扁平聚类 ID 的分配。
T2类数组: 单例聚类 ID 到扁平聚类 ID 的分配。

返回:

bbool: 扁平聚类分配 T1 和 T2 是否等效。

另请参阅

linkage: 有关链接矩阵的描述。
fcluster: 用于创建扁平聚类分配。

示例

>>> from scipy.cluster.hierarchy import fcluster, is_isomorphic
>>> from scipy.cluster.hierarchy import single, complete
>>> from scipy.spatial.distance import pdist

如果两个扁平聚类分配代表相同的聚类分配，但标签不同，则它们可以是同构的。

例如，我们可以使用 scipy.cluster.hierarchy.single 方法并将输出扁平化为四个聚类

>>> 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]]

>>> Z = single(pdist(X))
>>> T = fcluster(Z, 1, criterion='distance')
>>> T
array([3, 3, 3, 4, 4, 4, 2, 2, 2, 1, 1, 1], dtype=int32)

然后，我们可以使用 scipy.cluster.hierarchy.complete 方法执行相同的操作

>>> Z = complete(pdist(X))
>>> T_ = fcluster(Z, 1.5, criterion='distance')
>>> T_
array([1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4], dtype=int32)

正如我们所看到的，在这两种情况下，我们都获得了四个聚类，并且所有数据点都以相同的方式分布 - 唯一改变的是扁平聚类标签（3 => 1，4 => 2，2 => 3 和 4 => 1），因此两个聚类分配是同构的

>>> is_isomorphic(T, T_)
True