闵可夫斯基距离是欧几里得距离和曼哈顿距离的广义形式，表示两点之间的距离。它主要用于计算向量的距离相似性。以下是计算n维空间中闵可夫斯基距离的广义公式：$$\mathrm{D= \big[\sum_{i=1}^{n}|r_i-s_i|^p\big]^{1/p}}$$这里，si 和 ri 是数据点。n 表示n维空间。p 表示范数的阶数。SciPy 提供了一个名为 minkowski 的函数，它返回两点之间的闵可夫斯基距离。让我们看看如何使用 SciPy 库计算两点之间的闵可夫斯基距离：示例 # 导入 SciPy 库 from scipy.spatial import distance # 定义点 A = ... 阅读更多

曼哈顿距离，也称为城市街区距离，计算方法是两个向量之间绝对差的总和。它主要用于描述均匀网格（例如城市街区或棋盘）上对象的向量。以下是计算n维空间中曼哈顿距离的广义公式：$$\mathrm{D =\sum_{i=1}^{n}|r_i-s_i|}$$这里，si 和 ri 是数据点。n 表示n维空间。SciPy 提供了一个名为 cityblock 的函数，它返回两点之间的曼哈顿距离。让我们看看如何使用 SciPy 库计算两点之间的曼哈顿距离：示例 # 导入 SciPy 库 ... 阅读更多

欧几里得距离是两个实值向量之间的距离。我们通常用它来计算具有数值（浮点数或整数）的两行数据之间的距离。以下是计算欧几里得距离的公式：$$\mathrm{d(r, s) =\sqrt{\sum_{i=1}^{n}(s_i-r_i)^2} }$$这里，r 和 s 是欧几里得n维空间中的两点。si 和 ri 是欧几里得向量。n 表示n维空间。让我们看看如何使用 SciPy 库计算两点之间的欧几里得距离：示例 # 导入 SciPy 库 from scipy.spatial import distance # 定义点 A = (1, 2, 3, 4, 5, 6) B = (7, 8, 9, 10, 11, ... 阅读更多

scipy.cluster.hierarchy.fcluster(Z, t, criterion=’inconsistent’depth=2, R=None, monocrat=None) - fcluster() 方法根据给定的连接矩阵定义的分层聚类形成扁平聚类，识别聚类类之间的联系。以下是其参数的详细解释：参数 Z - ndarray 它表示使用连接矩阵编码的分层聚类。t - 标量 t 的值取决于标准的类型。对于“inconsistent”、“distance”和“monocrit”标准，t 的值表示形成扁平聚类时要应用的阈值。另一方面，对于“maxclust”和“maxclust_monocrit”标准，t 的值表示最大聚类数…… 阅读更多

scipy.cluster.hierarchy 模块提供用于层次聚类及其类型的函数，例如凝聚聚类。它具有各种例程，我们可以用它们来：将层次聚类切割成扁平聚类。实现凝聚聚类。计算层次结构上的统计数据。可视化扁平聚类。检查两个扁平聚类分配的同构性。绘制聚类图。scipy.cluster.hierarchy.fcluster 例程用于将层次聚类切割成扁平聚类，它们的结果是将原始数据点分配到单个聚类中。让我们通过以下示例了解这个概念：示例 # 导入包 from scipy.cluster.hierarchy import ward, fcluster from scipy.spatial.distance import pdist # 聚类… 阅读更多

记住所有物理常数的值、单位和精度是很困难的。这就是 scipy.constants() 有四种方法的原因，我们可以用它们来访问物理常数。让我们结合示例来了解这些方法：scipy.constants.value(key) - 此方法将根据键索引的物理常数提供给我们的值。参数 key - 它表示 physical_constants 字典中的键。其值是 Python 字符串或 Unicode。返回值 value - 它表示与 key 参数对应的 physical_constants 中的值。其值为浮点型。示例 from scipy import constants constants.value(u'proton mass') 输出 1.67262192369e-27 scipy.constants.unit(key) - 此方法将根据键索引的物理常数提供给我们的单位…… 阅读更多

为了实现科学或数学计算，我们需要各种通用常数。例如，计算圆面积的公式是 pi*r*r，其中 Pi 是一个常数，其值为 3.141592653。还有许多其他类似的情况需要常数。如果我们可以轻松地将这些常数纳入我们的计算，那就太好了。Scipy 库中的子模块 scipy.constants() 为我们完成了这项工作，并为我们提供了参考材料，以便查找详尽的物理常数、通用数学常数和各种单位，例如 SI 前缀、二进制前缀、质量、角度…… 阅读更多

scipy.cluster.vq() 有两种方法可以实现 k 均值聚类，即 kmeans() 和 kmeans2()。这两种方法的工作方式存在显著差异。让我们来了解一下：scipy.cluster.vq.kmeans(obs, k_or_guess, iter=20, thresh=1e-05, check_finite=True) - kmeans() 方法通过对一组观测向量执行 k 均值算法来形成 k 个聚类。为了确定质心的稳定性，此方法使用阈值来比较观测值与其相应质心之间的平均欧几里得距离的变化。此方法的输出是一个代码本，用于映射质心到代码，反之亦然。scipy.cluster.vq.kmeans2(data, k, iter=10, thresh=1e-05, minit='random', missing='warn', check_finite=True) - … 阅读更多

scipy.cluster.vq.kmeans2(data, k, iter=10, thresh=1e-05, minit='random', missing='warn', check_finite=True) - kmeans2() 方法通过执行 k-means 算法将一组观测向量分类到 k 个集群中。为了检查收敛性，kmeans2() 方法不使用阈值。它具有其他参数来决定质心的初始化方法、处理空集群以及验证输入矩阵是否只包含有限数字。以下是其参数的详细解释 -参数data− ndarray这是一个 M 行 N 列的数组，其中包含 N 维中的 M 个观测值。k− int 或 ndarray此参数表示要形成的集群数量和质心……阅读更多

scipy.cluster.vq.kmeans(obs, k_or_guess, iter=20, thresh=1e-05, check_finite=True) 方法通过对一组观测向量执行 k-means 算法来形成 k 个集群。为了确定质心的稳定性，此方法使用阈值来比较观测值与其对应质心之间平均欧几里得距离的变化。此方法的输出是一个代码本，用于映射质心到代码，反之亦然。以下是其参数的详细解释 -参数obs− ndarray这是一个 M 行 N 列的数组，其中每一行是一个观测值，列是在每次观测中看到的特征。在使用之前，这些特征……阅读更多