SciPy 库的 scipy.interpolate.interp1d(x, y, kind, axis, copy, bounds_error, fill_value, assumesorted) 类，顾名思义，用于插值一维函数。这里，x 和 y 是用于逼近某个函数（例如 f）的值的数组；y=f(x)。此类的输出是一个函数，其调用方法使用插值来查找新点的值。以下是其参数的详细说明 -参数x - (N, ) array_like它是一个一维实数数组。y - (…, N, …) array_like它是一个 N 维实数数组。条件是长度 ... 阅读更多

SciPy 库具有 scipy.linalg.inv() 函数，用于求解方阵的逆矩阵。让我们了解如何使用此函数来计算矩阵的逆 -示例2x2 矩阵的逆#导入 scipy 包 import scipy.linalg #导入 numpy 包 import numpy as np #声明 numpy 数组（方阵） A = np.array([[3, 3.5], [3.2, 3.6]]) #将值传递给 scipy.linalg.inv() 函数 M = scipy.linalg.inv(A) #打印结果 print('Inverse of {} is {}'.format(A, M))输出Inverse of [[3. 3.5] [3.2 3.6]] is [[-9. 8.75] [ 8. -7.5 ]]示例3x3 ... 阅读更多

矩阵的行列式，记为 |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，我们可以求解矩阵的逆和其他在线性方程组、微积分等方面有用的东西。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() 的函数来求解线性方程。我们只需要知道如何用向量的形式表示我们的线性方程。它将求解未知数 x 的线性方程组 a * x = b。让我们借助以下示例了解它 -示例在此示例中，我们将尝试求解一个线性代数系统，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，以便 ... 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，我们通常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，如果一个列包含类别“长度”、“宽度”和“广度”。我们可能会将每个示例作为具有一个位的位字符串进行独热编码，每个列对应一个位，如下所示 -长度 = [1, 0, 0]宽度 = [0, 1, 0]广度 = [0, 0, 1]上述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推广形式，是两点之间的距离。它主要用于向量的距离相似性。以下是 n 维空间中计算闵可夫斯基距离的通用公式 -$$\mathrm{D= \big[\sum_{i=1}^{n}|r_i-s_i|^p\big]^{1/p}}$$这里，si 和 ri 是数据点。n 表示 n 空间。p 表示范数的阶数SciPy 为我们提供了一个名为 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 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 空间。SciPy 为我们提供了一个名为 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。我们通常用它来计算具有数值（浮点或整数）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 空间中的两个点。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() 方法从层次聚类中形成扁平聚类。此层次聚类由给定的连接矩阵定义，识别聚类类之间的链接。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“单一标准”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“最大聚类”和“最大聚类单一标准”标准，t 的值表示最大聚类数 ... 阅读更多

scipy.cluster.hierarchy 模块提供了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。绘制聚类图。scipy.cluster.hierarchy.fcluster 例程用于将层次聚类切割成扁平聚类，它们由此获得将原始数据点分配到单个聚类的结果。让我们借助以下示例来理解这个概念：示例#从 scipy.cluster.hierarchy 导入 ward、fcluster 从 scipy.spatial.distance 导入 pdist #聚类 ... 阅读更多