scipy.cluster.hierarchy.single¶

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

在压缩距离矩阵上执行单/最小/最近链接 y 。

参数

yndarray: 距离矩阵的上三角形。结果是 pdist 以此形式返回。

退货

Zndarray: 链接矩阵。

参见

linkage: 用于高级创建分层群集。
scipy.spatial.distance.pdist: 成对距离度量

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玩：：

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，我们从这个数据集中得到一个压缩距离矩阵：

>>> y = pdist(X)

最后，我们可以执行群集：

>>> 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 表示树状图-请参阅 scipy.cluster.hierarchy.linkage 有关其内容的详细说明，请参阅。

我们可以利用 scipy.cluster.hierarchy.fcluster 要查看在给定距离阈值的情况下每个初始点将属于哪个簇，请执行以下操作：

>>> 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)

另外， scipy.cluster.hierarchy.dendrogram 可以用来生成树状图的曲线图。

scipy.cluster.hierarchy.linkage

scipy.cluster.hierarchy.complete