SciPy - complete() 方法

SciPy complete() 方法对压缩距离矩阵执行完全连锁（最大点）的任务。

压缩矩阵本身就是个数组，它收集了用于处理数组的各种方法。此外，它将两个集群之间的距离定义为任意两点（第一个集群中的单个数据点和第二个集群中的任意单个数据点）之间的最远距离。

语法

以下是 SciPy complete() 方法的语法 −

complete(y)

参数

此方法接受一个参数 −

• y：此参数存储数组矩阵的距离。

返回值

此方法返回连锁矩阵（结果）。

示例 1

以下 SciPy complete() 方法展示如何在给定的距离矩阵上执行完全连锁聚类，并使用 dendrogram() 可视化输出。

import numpy as np
from scipy.cluster.hierarchy import complete, dendrogram
import matplotlib.pyplot as plt

# Distance matrix
y = np.array([0.5, 0.2, 0.3, 0.3, 0.8, 0.6])

# complete linkage clustering
result = complete(y)

# plot the dendrogram
plt.figure(figsize=(6, 4))
dendrogram(result)
plt.title('Dendrogram - Complete Linkage')
plt.xlabel('indexes')
plt.ylabel('Distance')
plt.show()

输出

以上代码产生以下结果 −

示例 2

以下示例给出一个随机数据集，它允许使用距离矩阵并执行完全连锁聚类。然后，它使用该方法 dendrogram () 可视化层次聚类。

import numpy as np
from scipy.spatial.distance import pdist
from scipy.cluster.hierarchy import complete, dendrogram
import matplotlib.pyplot as plt

# random data
data = np.random.rand(6, 2)

# calculate the distance matrix
y = pdist(data, metric='euclidean')

# complete linkage clustering
result = complete(y)

# plot the dendrogram
plt.figure(figsize=(6, 4))
dendrogram(result)
plt.title('Dendrogram - Complete Linkage on Random Data')
plt.xlabel('indexes')
plt.ylabel('Distance')
plt.show()

输出

以上代码产生以下结果 −

示例 3

在示例中，我们将说明使用自定义距离度量进行完全连锁聚类任务。

import numpy as np
from scipy.spatial.distance import pdist
from scipy.cluster.hierarchy import complete, dendrogram
import matplotlib.pyplot as plt

# Sample data
data = np.array([[1, 3], [2, 4], [8, 6], [7, 8]])

# calculate the distance matrix using a custom metric 
y = pdist(data, metric='cityblock')

# complete linkage clustering
result = complete(y)

# Plot the dendrogram
plt.figure(figsize=(6, 4))
dendrogram(result)
plt.title('Dendrogram - Complete Linkage with Cityblock Distance')
plt.xlabel('Sample index')
plt.ylabel('Distance')
plt.show()

输出

以上代码产生以下结果 −