scipy.cluster.hierarchy.

weighted#

scipy.cluster.hierarchy.weighted(y)[источник]#

Выполнить взвешенную/WPGMA кластеризацию на сжатой матрице расстояний.

См. linkage для получения дополнительной информации о структуре возвращаемого значения и алгоритме.

Параметры:

yndarray: Верхняя треугольная часть матрицы расстояний. Результат pdist возвращается в этой форме.

Возвращает:

Zndarray: Матрица связей, содержащая иерархическую кластеризацию. См. linkage для получения дополнительной информации о его структуре.

Смотрите также

linkage: для расширенного создания иерархических кластеризаций.
scipy.spatial.distance.pdist: метрики попарных расстояний

Примечания

weighted имеет экспериментальную поддержку совместимых с Python Array API Standard бэкендов в дополнение к NumPy. Пожалуйста, рассмотрите тестирование этих функций, установив переменную окружения SCIPY_ARRAY_API=1 и предоставление массивов CuPy, PyTorch, JAX или Dask в качестве аргументов массива. Поддерживаются следующие комбинации бэкенда и устройства (или других возможностей).

Библиотека	CPU	GPU
NumPy	✅	н/д
CuPy	н/д	⛔
PyTorch	✅	⛔
JAX	✅	⛔
Dask	⚠️ объединяет блоки	н/д

См. Поддержка стандарта array API для получения дополнительной информации.

Примеры

>>> from scipy.cluster.hierarchy import weighted, fcluster
>>> from scipy.spatial.distance import pdist

Сначала нам нужен игрушечный набор данных для экспериментов:

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]]

Затем мы получаем сжатую матрицу расстояний из этого набора данных:

>>> y = pdist(X)

Наконец, мы можем выполнить кластеризацию:

>>> Z = weighted(y)
>>> Z
array([[ 0.        ,  1.        ,  1.        ,  2.        ],
       [ 6.        ,  7.        ,  1.        ,  2.        ],
       [ 3.        ,  4.        ,  1.        ,  2.        ],
       [ 9.        , 11.        ,  1.        ,  2.        ],
       [ 2.        , 12.        ,  1.20710678,  3.        ],
       [ 8.        , 13.        ,  1.20710678,  3.        ],
       [ 5.        , 14.        ,  1.20710678,  3.        ],
       [10.        , 15.        ,  1.20710678,  3.        ],
       [18.        , 19.        ,  3.05595762,  6.        ],
       [16.        , 17.        ,  3.32379407,  6.        ],
       [20.        , 21.        ,  4.06357713, 12.        ]])

Матрица связей Z представляет дендрограмму — см. scipy.cluster.hierarchy.linkage для подробного объяснения его содержимого.

Мы можем использовать scipy.cluster.hierarchy.fcluster чтобы увидеть, к какому кластеру принадлежала бы каждая начальная точка при заданном пороге расстояния:

>>> fcluster(Z, 0.9, criterion='distance')
array([ 7,  8,  9,  1,  2,  3, 10, 11, 12,  4,  6,  5], dtype=int32)
>>> fcluster(Z, 1.5, criterion='distance')
array([3, 3, 3, 1, 1, 1, 4, 4, 4, 2, 2, 2], dtype=int32)
>>> fcluster(Z, 4, criterion='distance')
array([2, 2, 2, 1, 1, 1, 2, 2, 2, 1, 1, 1], dtype=int32)
>>> fcluster(Z, 6, criterion='distance')
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1], dtype=int32)

Также, scipy.cluster.hierarchy.dendrogram может использоваться для генерации графика дендрограммы.