Python SciPy hierarchy.complete用法及代码示例

本文简要介绍 python 语言中 scipy.cluster.hierarchy.complete 的用法。

用法:

scipy.cluster.hierarchy.complete(y)#

在压缩距离矩阵上执行完整/最大/最远点链接。

参数 ：：

y： ndarray

距离矩阵的上三角。 pdist 的结果以这种形式返回。

返回 ：：

Z： ndarray

包含层次聚类的链接矩阵。有关其结构的更多信息，请参阅 linkage 函数文档。

例子：

>>> from scipy.cluster.hierarchy import complete, 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的距离矩阵：

>>> y = pdist(X)

最后，我们可以执行聚类：

>>> Z = complete(y)
>>> Z
array([[ 0.        ,  1.        ,  1.        ,  2.        ],
       [ 3.        ,  4.        ,  1.        ,  2.        ],
       [ 6.        ,  7.        ,  1.        ,  2.        ],
       [ 9.        , 10.        ,  1.        ,  2.        ],
       [ 2.        , 12.        ,  1.41421356,  3.        ],
       [ 5.        , 13.        ,  1.41421356,  3.        ],
       [ 8.        , 14.        ,  1.41421356,  3.        ],
       [11.        , 15.        ,  1.41421356,  3.        ],
       [16.        , 17.        ,  4.12310563,  6.        ],
       [18.        , 19.        ,  4.12310563,  6.        ],
       [20.        , 21.        ,  5.65685425, 12.        ]])

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

我们可以使用 scipy.cluster.hierarchy.fcluster 来查看给定距离阈值的每个初始点属于哪个集群：

>>> fcluster(Z, 0.9, criterion='distance')
array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12], dtype=int32)
>>> fcluster(Z, 1.5, criterion='distance')
array([1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4], dtype=int32)
>>> fcluster(Z, 4.5, criterion='distance')
array([1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2], dtype=int32)
>>> fcluster(Z, 6, criterion='distance')
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1], dtype=int32)

此外， scipy.cluster.hierarchy.dendrogram 可用于生成树状图。