矩阵的行列式，记作 |A|，是一个标量值，可以从方阵中计算出来。借助矩阵的行列式，我们可以求出矩阵的逆以及线性方程组、微积分等方面有用的其他东西。名为 scipy.linalg.det() 的函数计算方阵的行列式。让我们通过以下示例来了解它 - 示例计算 2x2 矩阵的行列式 #导入 scipy 包 import scipy #导入 numpy 包 import numpy as np #声明 numpy 数组（方阵） X = np.array([[5, ... 阅读更多

SciPy 有一个名为 scipy.linalg.solve() 的函数可以求解线性方程。我们只需要知道如何用向量的形式表示线性方程。它将求解线性方程组 a * x = b 中未知数 x 的值。让我们通过以下示例来了解它 - 示例在这个示例中，我们将尝试求解一个线性代数系统，它可以表示如下：    3x + 2y = 2    x - y = 4    5y + z = -1 函数 scipy.linalg.solve() 将找到 x、y 和 z 的值，使... 阅读更多

汉明距离计算两个二进制向量之间的距离。当我们对数据的分类列使用独热编码时，我们大多会找到二进制字符串。在独热编码中，整数变量被移除，并且对于每个唯一的整数，都会添加一个新的二进制变量。例如，如果一列具有类别“长度”、“宽度”和“厚度”。我们可以对每个示例进行独热编码，作为具有每个列一个位的位串，如下所示 -长度 = [1, 0, 0]宽度 = [0, 1, 0]厚度 = [0, 0, 1]上面提到的任何两个类别之间的汉明距离，可以... 阅读更多

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，是两点之间的距离。它主要用于向量的距离相似性。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 空间。p 表示范数的阶数 SciPy 提供了一个名为 minkowski 的函数，该函数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，计算为两个向量之间绝对差的总和。它主要用于描述均匀网格（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 空间。SciPy 提供了一个名为 cityblock 的函数，该函数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。我们主要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 空间中的两点。si 和 ri 是欧几里得向量。n 表示 n 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() 方法根据层次聚类形成扁平聚类。此层次聚类由给定的连接矩阵定义，识别聚类类之间的联系。以下是其参数的详细说明 - 参数Z - ndarray它表示用连接矩阵编码的层次聚类。t - 标量t 的值取决于标准的类型。对于“不一致”、“距离”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。它有各种例程，我们可以使用它们来：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。例程 scipy.cluster.hierarchy.fcluster 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。让我们通过以下示例来了解这个概念 - 示例#导入包 from scipy.cluster.hierarchy import ward, fcluster from scipy.spatial.distance import pdist #聚类... 阅读更多

记住所有物理常量的值、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量。让我们了解这些方法以及示例 - scipy.constants.value(key) - 此方法将为我们提供按 key 索引的物理常量中的值。参数key - 它表示 physical_constants 字典中的键。其值为 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-27scipy.constants.unit(key) - 此方法将为我们提供按 key 索引的物理常量中的单位... 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π*r*r，其中π是一个常数，其值为3.141592653。还有许多类似的场景需要用到常数。如果能够轻松地将这些常数整合到我们的计算中，将非常有帮助。Scipy库中的一个子模块scipy.constants() 就能做到这一点，并为我们提供参考材料，其中包含详尽的物理常数、通用数学常数以及各种单位，例如SI前缀、二进制前缀、质量、角度等。阅读更多