python hcluster、距离矩阵和凝聚距离矩阵

Question

我正在使用模块hcluster从距离矩阵计算树状图。我的距离矩阵是生成的数组的数组，如下所示：

import hcluster
import numpy as np

mols = (..a list of molecules)
distMatrix = np.zeros((10, 10))
  for i in range(0,10):       
    for j in range(0,10):
      sim = OETanimoto(mols[i],mols[j]) # a function to calculate similarity between molecules
      distMatrix[i][j] = 1 - sim

然后，我使用命令distVec = hcluster.squareform(distMatrix)将矩阵转换为压缩向量，并使用vecLink = hcluster.linkage(distVec)计算链接矩阵。

所有这些都工作得很好，但是如果我使用距离矩阵而不是压缩向量matLink = hcluster.linkage(distMatrix)来计算链接矩阵，我会得到一个不同的链接矩阵(节点之间的距离要大得多，拓扑也略有不同)。

现在我不确定这是因为hcluster只适用于压缩向量，还是我在这个过程中犯了错误。

谢谢你的帮忙!

Answer 1

我做了一个和你的类似的快速随机例子，也遇到了同样的问题。在文档字符串中，它确实写着：

在压缩距离矩阵y上执行分层/凝聚聚类。Y必须是a :math:{n \choose 2}大小的向量，其中n是距离矩阵中成对的原始观测值的数量。

然而，快速浏览一下代码后，似乎它的意图是同时使用矢量形状和矩阵形状的代码:在hierachy.py中，有一个基于矩阵形状的开关。然而，信息的关键部分似乎在函数链接的文档字符串中：

   - Q : ndarray
       A condensed or redundant distance matrix. A condensed
       distance matrix is a flat array containing the upper
       triangular of the distance matrix. This is the form that
       ``pdist`` returns. Alternatively, a collection of
       :math:`m` observation vectors in n dimensions may be passed as
       a :math:`m` by :math:`n` array.

所以我认为这个接口不允许传递距离矩阵。相反，它认为您正在向它传递n维的m观测向量。那么结果有什么不同呢？

这看起来合理吗？

否则，只要看一下代码本身，我相信您将能够调试它，并找出为什么您的示例是不同的。

干杯马特