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() 有四种方法可以帮助我们访问物理常数的原因。让我们了解这些方法以及示例 - scipy.constants.value(key) - 此方法将提供由键索引的物理常数的值。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-27 scipy.constants.unit(key) - 此方法将提供由键索引的物理常数的单位... 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，计算圆的面积的公式是 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，那将非常有帮助。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数列表、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平均欧几里德距离的变化。此方法的输出是将质心映射到代码的代码本，反之亦然。scipy.cluster.vq.kmeans2(data, k, iter=10, thresh=1e-05, minit='random', missing='warn', check_finite=True) - kmeans2() 方法…… 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初始化的方法、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解释 - 参数 data - ndarray 它是一个 'M' x 'N' 数组，其中 M 个观测值在 N 维中。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相应质心之间平均欧几里德距离的变化。此方法的输出是将质心映射到代码的代码本，反之亦然。以下是其参数的详细解释 - 参数 obs - ndarray 它是一个 'M' x 'N' 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

在实现 k 均值算法之前，scipy.cluster.vq.vq(obs, code_book, check_finite = True) 用于从代码本中为每个观测值分配代码。它首先将 'M' x 'N' obs 数组中的每个观测向量与代码本中的质心进行比较。比较后，它将代码分配给最接近的质心。它需要 obs 数组中的单位方差特征，我们可以通过将它们传递给 scipy.cluster.vq.whiten(obs, check_finite = True) 函数来实现。参数以下是 scipy.cluster.vq.vq(obs, code_book, check_finite = True) 函数的参数 - obs - ndarray 它是一个 'M' x 'N' 数组，其中每一行是一个观测值，…… 阅读更多

在实现 k 均值算法之前，重新缩放观测集的每个特征维度总是很有益的。函数 scipy.cluster.vq.whiten(obs, check_finite = True) 用于此目的。为了使其具有单位方差，它将观测值的每个特征维度除以其标准差 (SD)。参数以下是 scipy.cluster.vq.whiten(obs, check_finite = True) 函数的参数 - obs - ndarray 它是一个要重新缩放的数组，其中每一行是一个观测值，列是在每次观测中看到的特征。示例如下 - obs = [[ 1., 1., 1.], [ 2., 2., 2.], … 阅读更多

如果您不确定如何在 NumPy 和 SciPy 中使用特定函数或变量，您可以使用 '?' 调用文档。在 Jupyter Notebook 和 IPython shell 中，我们可以调用文档如下 - 示例如果您想知道 NumPy sin() 函数，您可以使用以下代码 - import numpy as np np.sin? 输出我们将获得关于 sin() 函数的详细信息，如下所示 - 我们还可以使用双问号 (??) 查看源代码，如下所示 - import numpy as np np.sin?? 同样，如果您想查看…… 阅读更多

我们将在此处使用的皮马印第安人糖尿病数据集最初来自美国国家糖尿病、消化和肾脏疾病研究所。基于以下诊断因素，此数据集可用于将患者置于糖尿病集群或非糖尿病集群中 - 妊娠次数、血糖、血压、皮肤厚度、胰岛素、BMI、糖尿病谱系函数、年龄。您可以从 Kaggle 网站获取此 .CSV 格式的数据集。示例以下示例将使用 SciPy 库从皮马印第安人糖尿病数据集中创建两个聚类，即糖尿病和非糖尿病。#导入所需的 Python 库：import matplotlib.pyplot as plt import numpy as np from scipy.cluster.vq import whiten, kmeans, vq … 阅读更多

是的，我们也可以通过将随机数据分成3个集群来实现K均值聚类算法。让我们通过下面的示例来了解一下：示例#导入所需的Python库：import numpy as np from numpy import vstack, array from numpy.random import rand from scipy.cluster.vq import whiten, kmeans, vq from pylab import plot, show #随机数据生成：data = vstack((rand(200, 2) + array([.5, .5]), rand(150, 2))) #数据标准化：data = whiten(data) # 使用K=3（3个集群）计算K均值centroids, mean_value = kmeans(data, 3) print("码本：", centroids, "") print("欧几里得距离的均值：", mean_value.round(4)) ... 阅读更多