矩陣的行列式，記為 |A|，是一個標量值，可以從方陣中計算出來。藉助矩陣的行列式，我們可以找到矩陣的逆以及線性方程組、微積分等方面有用的其他內容。名為 scipy.linalg.det() 的函式計算方陣的行列式。讓我們透過以下示例來理解它——示例計算 2x2 矩陣的行列式#匯入 scipy 包 import scipy #匯入 numpy 包 import numpy as np #宣告 numpy 陣列（方陣） X = np.array([[5, ... 閱讀更多

SciPy 有一個名為 scipy.linalg.solve() 的函式可以求解線性方程。我們只需要知道如何用向量的形式表示線性方程。它將求解線性方程組 a * x = b 中未知數 x 的值。讓我們透過以下示例來理解它——示例在這個例子中，我們將嘗試求解一個線性代數系統，它可以表示如下：   3x + 2y = 2   x - y = 4   5y + z = -1函式 scipy.linalg.solve() 將找到 x、y 和 z 的值，它們... 閱讀更多

漢明距離計算兩個二進位制向量之間的距離。當我們對資料的分類列使用獨熱編碼時，我們通常會找到二進位制字串。在獨熱編碼中，整數變數被移除，並且對於每個唯一的整數，都會新增一個新的二進位制變數。例如，如果一列有“長度”、“寬度”和“深度”等類別。我們可以將每個示例編碼為一個位串，每個列一個位，如下所示：長度 = [1, 0, 0]寬度 = [0, 1, 0]深度 = [0, 0, 1]上述任何兩個類別之間的漢明距離可以... 閱讀更多

閔可夫斯基距離是歐幾里得距離和曼哈頓距離的推廣形式，是兩點之間的距離。它主要用於向量的距離相似性。以下是計算 n 維空間中閔可夫斯基距離的通用公式：$$\mathrm{D= \big[\sum_{i=1}^{n}|r_i-s_i|^p\big]^{1/p}}$$這裡，si 和 ri 是資料點。n 表示 n 維空間。p 表示範數的階數SciPy 提供了一個名為 minkowski 的函式，它返回兩點之間的閔可夫斯基距離。讓我們看看如何使用 SciPy 庫計算兩點之間的閔可夫斯基距離——示例# 匯入 SciPy 庫 from scipy.spatial import distance # 定義點 A = ... 閱讀更多

曼哈頓距離，也稱為城市街區距離，計算為兩個向量之間絕對差的總和。它主要用於描述均勻網格上物件的向量，例如城市街區或棋盤。以下是計算 n 維空間中曼哈頓距離的通用公式：$$\mathrm{D =\sum_{i=1}^{n}|r_i-s_i|}$$這裡，si 和 ri 是資料點。n 表示 n 維空間。SciPy 提供了一個名為 cityblock 的函式，它返回兩點之間的曼哈頓距離。讓我們看看如何使用 SciPy 庫計算兩點之間的曼哈頓距離——示例# 匯入 SciPy 庫 ... 閱讀更多

歐幾里得距離是兩個實值向量之間的距離。我們主要用它來計算具有數值（浮點數或整數）的兩行資料之間的距離。以下是計算歐幾里得距離的公式：$$\mathrm{d(r, s) =\sqrt{\sum_{i=1}^{n}(s_i-r_i)^2} }$$這裡，r 和 s 是歐幾里得 n 維空間中的兩點。si 和 ri 是歐幾里得向量。n 表示 n 維空間。讓我們看看如何使用 SciPy 庫計算兩點之間的歐幾里得距離——示例# 匯入 SciPy 庫 from scipy.spatial import distance # 定義點 A = (1, 2, 3, 4, 5, 6) B = (7, 8, 9, 10, 11, ... 閱讀更多

scipy.cluster.hierarchy.fcluster(Z, t, criterion=’inconsistent’depth=2, R=None, monocrat=None)——fcluster() 方法從層次聚類中形成扁平聚類。這個層次聚類是由給定的連線矩陣定義的，它標識了聚類類之間的連結。以下是其引數的詳細解釋：引數Z——ndarray它表示用連線矩陣編碼的層次聚類。t——標量t 的值取決於標準的型別。對於“不一致”、“距離”和“monocrit”標準，t 的值表示在形成扁平聚類時要應用的閾值。另一方面，對於“maxclust”和“maxclust_monocrit”標準，t 的值表示最大聚類數... 閱讀更多

scipy.cluster.hierarchy 模組提供層次聚類及其型別的函式，例如凝聚聚類。它有各種例程，我們可以用它們來：將層次聚類切割成扁平聚類。實現凝聚聚類。計算層次結構上的統計資料。視覺化扁平聚類。檢查兩個扁平聚類分配的同構性。繪製聚類。例程 scipy.cluster.hierarchy.fcluster 用於將層次聚類切割成扁平聚類，它們的結果是將原始資料點分配到單個聚類中。讓我們透過以下示例來理解這個概念——示例#匯入包 from scipy.cluster.hierarchy import ward, fcluster from scipy.spatial.distance import pdist #聚類... 閱讀更多

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() 有四種方法的原因，我們可以用這些方法訪問物理常數。讓我們一起學習這些方法以及示例——scipy.constants.value(key)——此方法將為我們提供按 key 索引的物理常數值。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-27scipy.constants.unit(key)——此方法將為我們提供按 key 索引的物理常數單位... 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，計算圓形的面積公式是 pi*r*r，其中 Pi 是一個常數，其值為 3.141592653。還有許多類似的情況需要用到常數。如果我們可以輕鬆地將這些常數整合到我們的計算中，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，讓我們可以查詢詳盡的物理常數、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