scipy.cluster.hierarchy.

single#

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

在凝聚距离矩阵 y 上执行 single/min/nearest 链接。

参数:
yndarray

距离矩阵的上三角部分。 pdist 的结果以这种形式返回。

返回值:
Zndarray

链接矩阵。

另请参见

linkage

用于高级层次聚类创建。

scipy.spatial.distance.pdist

成对距离度量

注释

single 除了 NumPy 之外，还对 Python Array API 标准兼容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

✅

n/a

CuPy

n/a

⛔

PyTorch

✅

⛔

JAX

✅

⛔

Dask

⚠️ 合并块

n/a

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 single, fcluster
>>> from scipy.spatial.distance import pdist

首先，我们需要一个玩具数据集来进行实验

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，我们从这个数据集得到一个凝聚距离矩阵

>>> y = pdist(X)

最后，我们可以执行聚类

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

链接矩阵 Z 表示一个树状图 - 有关其内容的详细解释，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群集

>>> fcluster(Z, 0.9, criterion='distance')
array([ 7,  8,  9, 10, 11, 12,  4,  5,  6,  1,  2,  3], dtype=int32)
>>> fcluster(Z, 1, criterion='distance')
array([3, 3, 3, 4, 4, 4, 2, 2, 2, 1, 1, 1], dtype=int32)
>>> fcluster(Z, 2, 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 来生成树状图的绘图。

本页内容