scipy.cluster.hierarchy.

is_isomorphic#

scipy.cluster.hierarchy.is_isomorphic(T1, T2)[源代码][源代码]#

确定两个不同的聚类分配是否等价。

参数:

T1array_like: 将单例簇ID分配给平面簇ID。
T2array_like: 将单例簇ID分配给平面簇ID。

返回:

b布尔: 扁平聚类分配 T1 和 T2 是否等价。

参见

linkage: 关于什么是连接矩阵的描述。
fcluster: 用于创建平面聚类分配。

示例

>>> from scipy.cluster.hierarchy import fcluster, is_isomorphic
>>> from scipy.cluster.hierarchy import single, complete
>>> from scipy.spatial.distance import pdist

如果两个平面聚类分配表示相同的聚类分配，但标签不同，则它们可以是同构的。

例如，我们可以使用 scipy.cluster.hierarchy.single 方法并将输出扁平化为四个簇：

>>> X = [[0, 0], [0, 1], [1, 0],
...      [0, 4], [0, 3], [1, 4],
...      [4, 0], [3, 0], [4, 1],
...      [4, 4], [3, 4], [4, 3]]

>>> Z = single(pdist(X))
>>> T = fcluster(Z, 1, criterion='distance')
>>> T
array([3, 3, 3, 4, 4, 4, 2, 2, 2, 1, 1, 1], dtype=int32)

然后我们可以使用 scipy.cluster.hierarchy.complete: 方法做同样的事情：

>>> Z = complete(pdist(X))
>>> T_ = fcluster(Z, 1.5, criterion='distance')
>>> T_
array([1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4], dtype=int32)

正如我们所见，在这两种情况下我们都得到了四个簇，并且所有的数据点都以相同的方式分布——唯一改变的是平面簇标签（3 => 1, 4 =>2, 2 =>3 和 4 =>1），因此这两个簇分配是同构的：

>>> is_isomorphic(T, T_)
True