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，我们可以找到矩阵的逆以及线性方程组、微积分等方面有用的其他内容。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理解它——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理解它——示例在这个例子中，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，它们... 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，如果一列有“长度”、“宽度”和“深度”等类别。我们可以将每个示例编码为一个位串，每个列一个位，如下所示：长度 = [1, 0, 0]宽度 = [0, 1, 0]深度 = [0, 0, 1]上述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。以下是计算 n 维空间中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 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。以下是计算 n 维空间中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，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 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() 方法从层次聚类中形成扁平聚类。这个层次聚类是由给定的连接矩阵定义的，它标识了聚类类之间的链接。以下是其参数的详细解释：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，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，我们可以用这些方法访问物理常数。让我们一起学习这些方法以及示例——scipy.constants.value(key)——此方法将为我们提供按 key 索引的物理常数值。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 索引的物理常数单位... 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，计算圆形的面积公式是 pi*r*r，其中 Pi 是一个常数，其值为 3.141592653。还有许多类似的情况需要用到常数。如果我们可以轻松地将这些常数整合到我们的计算中，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，让我们可以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