maxdists#
- scipy.cluster.hierarchy.maxdists(Z)[源代码]#
返回任何非单例簇之间的最大距离。
- 参数:
- Zndarray
层次聚类被编码为一个矩阵。有关更多信息,请参阅
linkage
。
- 返回:
- maxdistsndarray
一个大小为
(n-1)
的双精度 numpy 数组;MD[i]
表示任何低于并包含索引为 i 的节点的所有簇(包括单例簇)之间的最大距离。更具体地说,MD[i] = Z[Q(i)-n, 2].max()
,其中Q(i)
是所有低于并包含节点 i 的节点索引的集合。
参见
linkage
了解链接矩阵的描述。
is_monotonic
用于测试链接矩阵的单调性。
注释
maxdists
除了 NumPy 之外,还对 Python Array API Standard 兼容的后端提供实验性支持。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(或其他功能)的组合。库
CPU
GPU
NumPy
✅
不适用
CuPy
不适用
⛔
PyTorch
✅
⛔
JAX
✅
⛔
Dask
⚠️ 合并块
不适用
有关更多信息,请参见 对数组 API 标准的支持。
示例
>>> from scipy.cluster.hierarchy import median, maxdists >>> from scipy.spatial.distance import pdist
给定一个链接矩阵
Z
,scipy.cluster.hierarchy.maxdists
计算生成的每个新簇(即,链接矩阵的每一行)任何两个子簇之间的最大距离。由于层次聚类的性质,在许多情况下,这仅仅是合并形成当前簇的两个子簇之间的距离 - 即 Z[:,2]。
然而,对于非单调聚类分配,例如
scipy.cluster.hierarchy.median
聚类,情况并非总是如此:可能存在簇形成,其中合并的两个簇之间的距离小于其子簇之间的距离。我们可以在一个示例中看到这一点
>>> 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 = median(pdist(X)) >>> 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. , 6. ], [16. , 17. , 3.5 , 6. ], [20. , 21. , 3.25 , 12. ]]) >>> maxdists(Z) array([1. , 1. , 1. , 1. , 1.11803399, 1.11803399, 1.11803399, 1.11803399, 3. , 3.5 , 3.5 ])
请注意,虽然创建最后一个簇时合并的两个簇之间的距离是 3.25,但有两个子簇(簇 16 和 17)的距离更大 (3.5)。因此,
scipy.cluster.hierarchy.maxdists
在这种情况下返回 3.5。