記住所有物理常數的值、單位和精度是很困難的。這就是 scipy.constants() 有四種方法可以幫助我們訪問物理常數的原因。讓我們瞭解這些方法以及示例 - scipy.constants.value(key) - 此方法將提供由鍵索引的物理常數的值。引數 key - 它表示 physical_constants 字典中的鍵。其值為 Python 字串或 Unicode。返回值 value - 它表示與 key 引數對應的 physical_constants 中的值。其值為浮點型。示例 from scipy import constants constants.value(u'proton mass') 輸出 1.67262192369e-27 scipy.constants.unit(key) - 此方法將提供由鍵索引的物理常數的單位... 閱讀更多

為了實現科學或數學計算，我們需要各種通用常數。例如，計算圓的面積的公式是 pi*r*r，其中 Pi 是一個常數，其值為 3.141592653。還有許多其他類似的情況需要常數。如果我們可以輕鬆地將這些常數納入我們的計算，那將非常有幫助。Scipy 庫中的子模組 scipy.constants() 為我們完成了這項工作，併為我們提供了一個參考材料，用於查詢詳盡的物理常數列表、通用數學常數和各種單位，例如 SI 字首、二進位制字首、質量、角度…… 閱讀更多

scipy.cluster.vq() 有兩種方法可以實現 k 均值聚類，即 kmeans() 和 kmeans2()。這兩種方法的工作方式存在顯著差異。讓我們瞭解一下 - scipy.cluster.vq.kmeans(obs, k_or_guess, iter=20, thresh=1e-05, check_finite=True) - kmeans() 方法透過對一組觀測向量執行 k 均值演算法來形成 k 個聚類。為了確定質心的穩定性，此方法使用閾值來比較觀測值與其相應質心之間平均歐幾里德距離的變化。此方法的輸出是將質心對映到程式碼的程式碼本，反之亦然。scipy.cluster.vq.kmeans2(data, k, iter=10, thresh=1e-05, minit='random', missing='warn', check_finite=True) - kmeans2() 方法…… 閱讀更多

scipy.cluster.vq.kmeans2(data, k, iter=10, thresh=1e-05, minit='random', missing='warn', check_finite=True) - kmeans2() 方法透過執行 k 均值演算法將一組觀測向量分類為 k 個聚類。為了檢查收斂性，kmeans2() 方法不使用閾值。它具有其他引數來決定質心初始化的方法、處理空聚類以及驗證輸入矩陣是否僅包含有限數字。以下是其引數的詳細解釋 - 引數 data - ndarray 它是一個 'M' x 'N' 陣列，其中 M 個觀測值在 N 維中。k - int 或 ndarray 此引數表示要形成的聚類數和質心…… 閱讀更多

scipy.cluster.vq.kmeans(obs, k_or_guess, iter=20, thresh=1e-05, check_finite=True) 方法透過對一組觀測向量執行 k 均值演算法來形成 k 個聚類。為了確定質心的穩定性，此方法使用閾值來比較觀測值與其相應質心之間平均歐幾里德距離的變化。此方法的輸出是將質心對映到程式碼的程式碼本，反之亦然。以下是其引數的詳細解釋 - 引數 obs - ndarray 它是一個 'M' x 'N' 陣列，其中每一行是一個觀測值，列是在每次觀測中看到的特徵。在使用之前，這些特徵…… 閱讀更多

在實現 k 均值演算法之前，scipy.cluster.vq.vq(obs, code_book, check_finite = True) 用於從程式碼本中為每個觀測值分配程式碼。它首先將 'M' x 'N' obs 陣列中的每個觀測向量與程式碼本中的質心進行比較。比較後，它將程式碼分配給最接近的質心。它需要 obs 陣列中的單位方差特徵，我們可以透過將它們傳遞給 scipy.cluster.vq.whiten(obs, check_finite = True) 函式來實現。引數以下是 scipy.cluster.vq.vq(obs, code_book, check_finite = True) 函式的引數 - obs - ndarray 它是一個 'M' x 'N' 陣列，其中每一行是一個觀測值，…… 閱讀更多

在實現 k 均值演算法之前，重新縮放觀測集的每個特徵維度總是很有益的。函式 scipy.cluster.vq.whiten(obs, check_finite = True) 用於此目的。為了使其具有單位方差，它將觀測值的每個特徵維度除以其標準差 (SD)。引數以下是 scipy.cluster.vq.whiten(obs, check_finite = True) 函式的引數 - obs - ndarray 它是一個要重新縮放的陣列，其中每一行是一個觀測值，列是在每次觀測中看到的特徵。示例如下 - obs = [[ 1., 1., 1.], [ 2., 2., 2.], … 閱讀更多

如果您不確定如何在 NumPy 和 SciPy 中使用特定函式或變數，您可以使用 '?' 呼叫文件。在 Jupyter Notebook 和 IPython shell 中，我們可以呼叫文件如下 - 示例如果您想知道 NumPy sin() 函式，您可以使用以下程式碼 - import numpy as np np.sin? 輸出我們將獲得關於 sin() 函式的詳細資訊，如下所示 - 我們還可以使用雙問號 (??) 檢視原始碼，如下所示 - import numpy as np np.sin?? 同樣，如果您想檢視…… 閱讀更多

我們將在此處使用的皮馬印第安人糖尿病資料集最初來自美國國家糖尿病、消化和腎臟疾病研究所。基於以下診斷因素，此資料集可用於將患者置於糖尿病叢集或非糖尿病叢集中 - 妊娠次數、血糖、血壓、皮膚厚度、胰島素、BMI、糖尿病譜系函式、年齡。您可以從 Kaggle 網站獲取此 .CSV 格式的資料集。示例以下示例將使用 SciPy 庫從皮馬印第安人糖尿病資料集中建立兩個聚類，即糖尿病和非糖尿病。#匯入所需的 Python 庫：import matplotlib.pyplot as plt import numpy as np from scipy.cluster.vq import whiten, kmeans, vq … 閱讀更多

是的，我們也可以透過將隨機資料分成3個叢集來實現K均值聚類演算法。讓我們透過下面的示例來了解一下：示例#匯入所需的Python庫：import numpy as np from numpy import vstack, array from numpy.random import rand from scipy.cluster.vq import whiten, kmeans, vq from pylab import plot, show #隨機資料生成：data = vstack((rand(200, 2) + array([.5, .5]), rand(150, 2))) #資料標準化：data = whiten(data) # 使用K=3（3個叢集）計算K均值centroids, mean_value = kmeans(data, 3) print("碼本：", centroids, "") print("歐幾里得距離的均值：", mean_value.round(4)) ... 閱讀更多