在scipy.cluster.hierarchy.linkage（）中使用距离矩阵？
我有一个距离矩阵N * N M，其中M_ij是之间的距离object_i和object_j。因此，正如预期的那样，它采用以下形式：
/ 0 M_01 M_02 ... M_0n\
| M_10 0 M_12 ... M_1n |
| M_20 M_21 0 ... M2_n |
| ... |
\ M_n0 M_n2 M_n2 ... 0 /
现在，我希望通过分层聚类将这n个对象聚类。Python有一个称为的实现scipy.cluster.hierarchy.linkage(y, method='single', metric='euclidean')。
它的文档说：
y必须是{n \ choose 2}大小的向量，其中n是距离矩阵中成对的原始观测数。
y：ndarray
压缩或冗余距离矩阵。压缩距离矩阵是包含距离矩阵上三角的平面阵列。这是pdist返回的形式。替代地，可以将n个维度上的m个观测向量的集合作为m×n阵列来传递。
我对的这种描述感到困惑y。 我可以直接M输入我的输入y吗？
更新资料
@ hongbo-zhu-
cn在GitHub上提出了这个问题。这正是我所关心的。但是，作为GitHub的新手，我不知道它是如何工作的，因此不知道如何解决此问题。
问题答案：
似乎确实不能直接传递冗余方阵，尽管文档声称可以这样做。
为了使将来遇到相同问题的任何人受益，我在此处写我的解决方案作为附加答案。因此，复制粘贴人员可以继续进行聚类。
使用以下代码段压缩矩阵并愉快地进行。
import scipy.spatial.distance as ssd
# convert the redundant n*n square matrix form into a condensed nC2 array
distArray = ssd.squareform(distMatrix) # distArray[{n choose 2}-{n-i choose 2} + (j-i-1)] is the distance between points i and j
如果我错了，请纠正我。
-
最后，我们准备把数据从文件读入一个矩阵中。具体来说，每个城市在该矩阵中都一个相应的行和列。 我们将在main函数中创建该矩阵，它会剩余大量空间： apmatrix<int> distances (50, 50, 0); 在processLine内部，我们从Set中得到两个城市的索引，并以这两个索引为矩阵的索引，向矩阵中添加了新信息： int dist = convertToInt (distSt
-
问题内容： 我目前正在将数据读入如下所示的数据框中。 我想根据此数据创建一个欧几里得距离矩阵，该矩阵显示所有城市对之间的距离，因此我得到一个结果矩阵，如下所示： 我的实际数据框中还有更多城市和坐标，因此我需要能够以某种方式遍历所有城市对并创建一个距离矩阵，就像上面显示的那样，但是我不确定如何配对所有城市一起引用并应用欧几里德距离公式？任何帮助，将不胜感激。 问题答案： 我认为您对distance_
-
我需要计算存储在csr稀疏矩阵和一些点列表中的所有点之间的欧氏距离。对我来说，将csr转换为稠密的csr会更容易，但由于内存不足，我无法将其转换为稠密的csr，因此我需要将其保留为csr。 例如，我有一个数据\u csr稀疏矩阵（csr和稠密视图）： 这个中心点列表： 使用包，data_csr和中心之间的欧几里德距离数组将像下面这样。因此，在center的每行中，总共6个点中的每一个点都是根据da
-
问题内容： 我在二维空间中有一组点，需要计算每个点到另一个点的距离。 我的点数相对较少，最多不超过100个。但是，由于我需要经常快速地确定这些移动点之间的关系，并且因为我知道遍历这些点可能同样糟糕由于O（n ^ 2）的复杂性，我正在寻找利用numpy矩阵魔术（或scipy）的方法。 就象我的代码中所说的那样，每个对象的坐标都存储在其类中。但是，当我更新类坐标时，也可以用numpy数组更新它们。 我
-
虽然这段代码可以工作，但它本可以组织的更好。既然我们已经写了一个原型，那么我们就处于评价其设计并改进之的有利位置了。 那现在的代码有些什么问题呢？ 我们提前不知道要创建多大的距离矩阵，所以我们选择了一个任意大的数字（50），然后创建了一个固定大小的矩阵。更好的方式是允许距离矩阵以类似Set的方式扩充，而apmatrix类的resize函数使之成为可能。 矩阵中的数据没有很好的封装。我们不得不以城市
-
本文向大家介绍求mk矩阵A和nk矩阵的欧几里得距离?相关面试题，主要包含被问及求mk矩阵A和nk矩阵的欧几里得距离?时的应答技巧和注意事项，需要的朋友参考一下 参考回答： 先得到矩阵,然后对矩阵A和矩阵分别求出其中每个向量的模平方,并扩展为两个m*k的矩阵和。最终求得新的矩阵,并将此矩阵开平方得到A,B向量集的欧几里得距离。