在使用scipy.cluster.hierarchy.linkage 对距离矩阵进行聚类，并使用scipy.cluster.hierarchy.cut_tree 将每个样本分配到一个聚类后，我想从每个聚类中提取一个元素，该元素最接近该聚类的质心。
scipy.cluster.hierarchy.linkage 中的centroid 链接规则相混淆。我已经自己进行了聚类，只想访问最接近质心的元素。【问题讨论】：
标签： python numpy scipy scikit-learn
使用 KD-Trees 最有效地计算最近邻。例如：
from scipy.spatial import cKDTree
def find_k_closest(centroids, data, k=1, distance_norm=2):
"""
Arguments:
----------
centroids: (M, d) ndarray
M - number of clusters
d - number of data dimensions
data: (N, d) ndarray
N - number of data points
k: int (default 1)
nearest neighbour to get
distance_norm: int (default 2)
1: Hamming distance (x+y)
2: Euclidean distance (sqrt(x^2 + y^2))
np.inf: maximum distance in any dimension (max((x,y)))
Returns:
-------
indices: (M,) ndarray
values: (M, d) ndarray
"""
kdtree = cKDTree(data, leafsize=leafsize)
distances, indices = kdtree.query(centroids, k, p=distance_norm)
if k > 1:
indices = indices[:,-1]
values = data[indices]
return indices, values
indices, values = find_k_closest(centroids, data)
【讨论】：
scipy.spatial.distance.pdist 返回），其中距离以自定义类之间的非平凡方式计算对象。因此，我意识到质心在这里甚至不适用（缺少正确的笛卡尔坐标），所以我将选择与集群中其他对象的平均距离最小的那个对象。我会尽快发布我的最终解决方案。
kdtree.query 似乎用 Minkowski 类型的规范进行了硬编码，我不知道如何实现这个“拟合和测量”例程来代替 distance_norm。但毕竟，我什至可能不需要。
indices = idx[:,-1] 会引发SystemError: error return without exception set。我会提出以下建议： if k==1: indices=idx[:] else: indices = idx[:,-1]
Paul 的上述解决方案适用于多维数组。在更具体的情况下，您有一个距离矩阵dm，其中距离以“非平凡”方式计算（例如每对对象首先在 3D 中对齐，然后是 RMSD计算），我最终从每个集群中选择了与集群中其他元素的距离总和最低的元素，aka. 集群的中心点。 （请参阅下面的讨论this 答案。）这就是我在拥有距离矩阵dm 和相同顺序的对象名称列表names 时做到的：
import numpy as np
import scipy.spatial.distance as spd
import scipy.cluster.hierarchy as sch
# Square form of distance matrix
sq=spd.squareform(dm)
# Perform clustering, capture linkage object
clusters=sch.linkage(dm,method=linkage)
# List of cluster assignments
assignments=sch.cut_tree(clusters,height=rmsd_cutoff)
# Store object names and assignments as zip object (list of tuples)
nameList=list(zip(names,assignments))
### Extract models closest to cluster centroids
counter=0
while counter<num_Clusters+1:
# Create mask from the list of assignments for extracting submatrix of the cluster
mask=np.array([1 if i==counter else 0 for i in assignments],dtype=bool)
# Take the index of the column with the smallest sum of distances from the submatrix
idx=np.argmin(sum(sq[:,mask][mask,:]))
# Extract names of cluster elements from nameList
sublist=[name for (name, cluster) in nameList if cluster==counter]
# Element closest to centroid
centroid=sublist[idx]
【讨论】：