SciPy - complete() 方法

SciPy complete() 方法在压缩距离矩阵

上执行完整链接(最大点)的任务。

压缩矩阵本身是一个数组，其中包含用于处理数组的各种方法的集合。此外，它将两个簇之间的距离定义为任意两个点之间的最大距离(例如第一个簇中的单个数据点和第二个簇中的任意单个数据点)。

语法

以下是 SciPy complete() 方法的语法 −

complete(y)

参数

此方法接受单个参数 −

y:此参数存储数组矩阵的距离。

返回值

此方法返回链接矩阵(结果)。

示例 1

以下是SciPy complete() 方法展示了如何在给定距离矩阵上执行完整链接聚类并使用 dendrogram() 可视化输出。

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

# 距离矩阵
y = np.array([0.5, 0.2, 0.3, 0.3, 0.8, 0.6])

# 完整链接聚类
result = complete(y)

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

输出

上述代码产生以下结果 −

示例 2

下面的示例给出了一个随机数据集，允许操作距离矩阵并执行完整的链接聚类。然后，它使用方法 dendrogram () 来可视化层次聚类。

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

# 随机数据
data = np.random.rand(6, 2)

# 计算距离矩阵
y = pdist(data, metric='euclidean')

# 完全链接聚类
result = complete(y)

# 绘制树状图
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

上述代码产生以下结果 −

示例 3

在此示例中，我们说明了使用自定义距离度量进行完全链接聚类的任务。

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

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

# 计算使用自定义度量的距离矩阵
y = pdist(data, metric='cityblock')

# 完整链接聚类
result = complete(y)

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