Minkowski 距离是欧几里得距离和曼哈顿距离的推广形式，表示两点之间的距离。它主要用于向量距离相似性计算。以下是n维空间中计算 Minkowski 距离的通用公式： −$$\mathrm{D= \big[\sum_{i=1}^{n}|r_i-s_i|^p\big]^{1/p}}$$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，用于返回两点之间的 Minkowski 距离。让我们看看如何使用 SciPy 库计算两点之间的 Minkowski 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上对象的向量，例如城市街区或棋盘。以下是n维空间中计算曼哈顿距离的通用公式： −$$\mathrm{D =\sum_{i=1}^{n}|r_i-s_i|}$$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，用于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() 方法根据给定的链接矩阵（表示层次聚类），形成扁平聚类，识别聚类类别之间的联系。以下是其参数的详细说明：参数Z − ndarray它表示用链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“inconsistent”、“distance”和“monocrit”标准，t 的值表示在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。例程 scipy.cluster.hierarchy.fcluster 用于将层次聚类切割成扁平聚类，其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理解这个概念：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() 具有四种方法的原因，我们可以通过这些方法访问物理常量。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量。例如，计算圆面积的公式是 pi*r*r，其中 Pi 是一个常量，其值为 = 3.141592653。还有其他各种类似的情况需要常量。如果我们可以轻松地将这些常量纳入我们的计算，那就太好了。Scipy 库中的子模块 scipy.constants() 为我们完成了这项工作，并为我们提供了一个参考材料，用于查找详尽的物理常量列表、通用数学常量和各种单位，例如 SI 前缀、二进制前缀、质量、角度、... 阅读更多

scipy.cluster.vq() 具有两种方法来实现 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对应的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，将质心映射到代码，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 均值算法将一组观测向量分类为 k 个聚类。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、处理空聚类以及验证输入矩阵是否仅包含有限数字。以下是其参数的详细说明：参数data − ndarray它是 M 行 N 列的数组，其中 M 是 N 维中的 M 个观测值。k − int 或 ndarray此参数表示要形成的聚类数和质心... 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 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对应的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，将质心映射到代码，反之亦然。以下是其参数的详细说明：参数obs − ndarray它是 'M' 行 'N' 列的数组，其中每一行都是一个观测值，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