标签: scipy-spatial

我用 SciPy 制作了以下树形图：

# create the dendrogram\nfrom scipy.cluster import hierarchy as hc\nfrom scipy.stats import spearmanr as sp\nimport matplotlib.pyplot as plt\n%matplotlib inline\n\ncorr = np.round(sp(data_for_cluster).correlation, 4)\ncorr_condensed = hc.distance.squareform(1-corr)\nz = hc.linkage(corr_condensed, method=\'average\')\nfig = plt.figure(figsize=(20,35))\ndendrogram = hc.dendrogram(z, labels=vals_to_keep, orientation=\'left\', \nleaf_font_size=14)\nplt.show()\n

给出了下图：

我不太确定如何解释树状图中的颜色。从文档中，它给出了以下参数描述color_threshold：

\n

为了简洁起见，让 t 为 color_threshold。如果 k 是低于剪切阈值 t 的第一个节点，则将集群节点 k 下面的所有后代链接着色为相同颜色。连接距离大于或等于阈值的节点的所有链接都显示为蓝色。如果 t 小于或等于 0，则所有节点都呈蓝色。如果 color_threshold 为 None 或 \xe2\x80\x98default\xe2\x80\x99（与 MATLAB(TM) 行为相对应），则阈值设置为 0.7*max(Z[:,2])。

\n

然而，令我困惑的是，为什么一些看起来非常接近的簇没有给出不同的颜色，而其他相距较远的簇......却给出了不同的颜色。

我认为，在其他条件相同的情况下，簇越靠近，它们就越有可能是不同的颜色，以代表簇成员资格，但情况似乎并非如此。

我正在阅读有关Delaunay (scipy)的内容的文章并发现了代码：

import numpy as np\npoints = np.array([[0, 0], [0, 1.1], [1, 0], [1, 1]])\n\nfrom scipy.spatial import Delaunay\ntri = Delaunay(points)\n\nimport matplotlib.pyplot as plt\nplt.triplot(points[:,0], points[:,1], tri.simplices.copy())\nplt.plot(points[:,0], points[:,1], \'o\')\nplt.show()\n

据我了解，单纯形是三角形到更高维度的推广。

我不明白下面代码的含义，希望帮助理解它：

# Point indices and coordinates for the two triangles forming the triangulation:\n\ntri.simplices\narray([[3, 2, 0],\n       [3, 1, 0]], dtype=int32)\n\npoints[tri.simplices]\narray([[[ 1. ,  1. ],\n        [ 1. ,  0. ],\n        [ 0. ,  0. ]],\n       [[ 1. ,  1. ],\n        [ 0. ,  1.1],\n        [ 0. ,  0. …

我有自己的三角剖分算法，该算法基于Delaunay的条件和渐变创建三角剖分，以使三角形与渐变对齐。

这是一个示例输出：

上面的描述与问题无关，但是对于上下文是必需的。

现在我想使用三角剖分与scipy.interpolate.LinearNDInterpolator进行插值。

使用scipy的Delaunay，我将执行以下操作

import numpy as np
import scipy.interpolate
import scipy.spatial
points = np.random.rand(100, 2)
values = np.random.rand(100)
delaunay = scipy.spatial.Delaunay(points)
ip = scipy.interpolate.LinearNDInterpolator(delaunay, values)

该delaunay对象具有delaunay.points和delaunay.simplices，构成了三角剖分。我自己的三角剖分得到的信息完全相同，但是scipy.interpolate.LinearNDInterpolator需要一个scipy.spatial.Delaunay对象。

我想我需要继承scipy.spatial.Delaunay并实现相关方法。但是，我不知道要到达那里需要哪些。

我在许多参考资料中都被告知 KDTree 是一种为大数据寻找最近邻的快速方法。我当前的问题是为给定的数据 A 找到 X 中最近的点。详细说明，目前 X 有 1,000,000 个数值数据，A 由 10,000 个组成。我想为 A 中的每个点找到 X 中最近的点。因此，结果应该是 10,000 个索引，指示 X 中的数据点。

当我使用带有 for 循环的 cdist（来自 scipy.spatial）来查找 A 中每个数据的最近点时，大约需要半小时（1972 秒），而使用 n_jobs 时 cKDTree.query 需要大约 50 分钟（2839 秒） = 4。

cdist 的代码如下：

t = time.time() 
nn = np.array([])
jump = 1000
nloop = np.ceil(A.shape[0]/jump).astype(int)
for ii in range(nloop):
   temp = cdist(X, A[ii*jump:(ii+1)*jump])
   nn = np.append(nn, np.argmin(temp, axis = 0))
print('Elapsed time: ', time.time() - t) # this was 1926 seconds (a …

我想为10060 个记录/点创建一个距离邻近矩阵，其中每个记录/点有23 个使用欧氏距离作为度量的属性。我使用嵌套 for 循环编写代码来计算每个点之间的距离（导致(n(n-1))/2)计算）。花了很长时间（大约8分钟）。当我使用 cdist 时，它花费的时间要少得多（仅 3 秒！！！）。当我查看源代码时，cdist 还使用嵌套的 for 循环，而且它进行了n^2 次计算（这大于我的逻辑所做的比较次数）。是什么让 cdist 执行得更快并给出正确的输出？请帮我理解。提前致谢。

我试图scipy.special.rel_entr在GitHub Repo中查找函数的代码源，但找不到rel_entr函数定义。

我还尝试查看此代码：https://github.com/scipy/scipy/pull/6522/files#diff-0