scipy.cluster.vq.

vq#

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

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”乘“N”的 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-均值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。列是在每次观测期间看到的“特征”。特征必须首先使用 whiten 函数或类似方法进行白化。

code_bookndarray

码本通常使用 k-均值算法生成。数组的每一行都保存一个不同的代码，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:

codendarray: 一个长度为 M 的数组，其中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）。

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]))