Python SciPy vq.vq用法及代碼示例

本文簡要介紹 python 語言中 scipy.cluster.vq.vq 的用法。

用法:

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

將代碼簿中的代碼分配給觀察。

將代碼簿中的代碼分配給每個觀察值。 'M' by'N' obs 數組中的每個觀察向量與代碼簿中的質心進行比較，並分配最接近質心的代碼。

obs 中的特征應該有單位方差，這可以通過將它們傳遞給 whiten 函數來實現。可以使用k-means 算法或不同的編碼算法創建代碼簿。

參數 ：：

obs： ndarray

‘M’ x ‘N’ 數組的每一行都是一個觀察值。這些列是每次觀察期間看到的“features”。必須首先使用 whiten 函數或等效函數對特征進行白化。

code_book： ndarray

密碼本通常使用k-means 算法生成。數組的每一行包含一個不同的代碼，列是代碼的特征。

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

check_finite： 布爾型，可選

是否檢查輸入矩陣是否僅包含有限數。禁用可能會提高性能，但如果輸入確實包含無窮大或 NaN，則可能會導致問題(崩潰、非終止)。默認值：真

返回 ：：

code： ndarray

一個長度為 M 的數組，保存每個觀察的代碼簿索引。

dist： ndarray

觀測值與其最近代碼之間的失真(距離)。

例子：

>>> 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]))