scipy.cluster.vq.

vq#

scipy.cluster.vq.vq(obs, code_book, check_finite=True)[source]#

将码本中的代码分配给观测值。

将码本中的代码分配给每个观测值。 将 “M” x “N” obs 数组中的每个观测向量与码本中的质心进行比较,并分配给最近质心的代码。

obs 中的特征应具有单位方差,这可以通过将它们传递给 whiten 函数来实现。 码本可以使用 k-means 算法或不同的编码算法创建。

参数:
obsndarray

“M” x “N” 数组的每一行都是一个观测值。 列是每次观测期间看到的“特征”。 必须首先使用 whiten 函数或同等函数对特征进行美白。

code_bookndarray

码本通常使用 k-means 算法生成。 数组的每一行都包含不同的代码,列是代码的特征

#              f0  f1  f2  f3
code_book = [[ 1., 2., 3., 4.],  #c0
             [ 1., 2., 3., 4.],  #c1
             [ 1., 2., 3., 4.]]  #c2
check_finitebool, 可选

是否检查输入矩阵是否仅包含有限数字。 禁用可能会提高性能,但如果输入确实包含无穷大或 NaN,则可能会导致问题(崩溃,非终止)。 默认值:True

返回值:
codendarray

一个长度为 M 的数组,包含每个观测值的码本索引。

distndarray

观测值与其最近代码之间的失真(距离)。

注释

除了 NumPy 之外,vq 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(或其他功能)的组合。

CPU

GPU

NumPy

不适用

CuPy

不适用

PyTorch

JAX

⚠️ 无 JIT

Dask

⚠️ 计算图

不适用

有关更多信息,请参见对数组 API 标准的支持

示例

>>> import numpy as np
>>> from scipy.cluster.vq import vq
>>> code_book = np.array([[1., 1., 1.],
...                       [2., 2., 2.]])
>>> features  = np.array([[1.9, 2.3, 1.7],
...                       [1.5, 2.5, 2.2],
...                       [0.8, 0.6, 1.7]])
>>> vq(features, code_book)
(array([1, 1, 0], dtype=int32), array([0.43588989, 0.73484692, 0.83066239]))