通过距离矩阵聚类scipy - cluster,如何获取原始对象

在这个问答内容中，涉及到了两个主要的概念：距离矩阵和聚类。下面我们将分别解释这两个概念，并提供相关的解决方案。

距离矩阵

距离矩阵是一个二维矩阵，其中每个元素表示两个对象之间的距离。在聚类问题中，通常使用欧几里得距离、曼哈顿距离或其他距离度量方法来计算距离矩阵。

聚类

聚类是一种无监督学习方法，用于将数据集中的对象分组成具有相似性的集群。聚类算法可以根据对象之间的距离来确定它们的相似性。在聚类问题中，通常使用K-means、DBSCAN、层次聚类等算法来实现。

获取原始对象

在使用聚类算法时，通常会将原始对象转换为数值向量，以便进行计算。因此，如果您想要获取原始对象，需要将聚类结果映射回原始数据集。

假设您使用的是Python的SciPy库进行聚类，可以使用以下代码获取原始对象：

from scipy.cluster.hierarchy import fcluster
import numpy as np

# 假设Z是距离矩阵的层次聚类结果，a是聚类的高度阈值
clusters = fcluster(Z, a, criterion='distance')

# 获取原始对象
original_objects = np.array(your_original_data)[clusters - 1]

在上述代码中，your_original_data是原始对象的数组，clusters是聚类结果，original_objects是获取的原始对象。

总之，要获取原始对象，需要将聚类结果映射回原始数据集。具体实现方法取决于您使用的聚类算法和编程语言。