搜索 - 腾讯云开发者社区-腾讯云

文章/答案/技术大牛

发布

来自专栏软件研发
讲解from . import _arpack ImportError: DLL load failed
错误原因分析当我们在使用某个Python库时，出现 "from . import _arpack ImportError: DLL load failed" 错误时，通常是由以下原因导致的：缺失 _arpack 如果缺少与您安装的SciPy版本对应的 _arpack DLL 文件，就会导致该错误。如果您的Python版本不兼容所需的 _arpack DLL 文件，就会导致错误。它使用了 ARPACK（ARnoldi PACKage）库，该库是用于计算稀疏矩阵特征值和特征向量的一种方法。具体来说，_arpack 模块提供了用于求解大型、稀疏矩阵的特征值问题的函数。总结"from . import _arpack ImportError: DLL load failed" 错误可能由缺失 _arpack DLL 文件、DLL 文件位置不正确或Python版本兼容性问题等原因导致
94810编辑于 2023-12-29
来自专栏腾讯云TI平台
【技术分享】特征值分解
1 源码分析 MLlib使用ARPACK来求解特征值分解。 reverse communication, first iteration with ido = 0 arpack.dsaupd(ido, bmat, n, which, nev. = 1) { throw new IllegalStateException("ARPACK returns ido = " + ido. reverse communication arpack.dsaupd(ido, bmat, n, which, nev. `val` * n) // call ARPACK's post-processing for eigenvectors arpack.dseupd(true, "A", select
1.3K61发布于 2020-03-13
来自专栏Hi0703
2021-08-16
如果svd_solver = ‘arpack’, n_components 必须严格地小于min(样本数，特征数)，此时n_components默认为min(样本数，特征数) - 1。 svd_solver：str {‘auto’, ‘full’, ‘arpack’, ‘randomized’}：SVD求解方法。如果设为’arpack’，则使用scipy.sparse.linalg.svds计算SVD分解。这种方法严格要求 0 < n_components < min(样本数，特征数)。 tol：float >= 0, optional (default .0)：当svd_solver = ‘arpack’，用来设置奇异值的容忍度。 random_state：int, RandomState instance or None, optional (default None)：当svd_solver = ‘arpack’或者svd_solver
57400发布于 2021-08-16
来自专栏WELSIM
编译开源电磁仿真求解器Palace
编译ARPACKPalace在计算特征值相关的功能时，如计算Eigenmode，需要有SLEPc或者ARPACK复数求解器。 ARPACK是由莱斯大学、桑迪亚国家实验室等机构，联合开发的开源大规模特征值/特征向量求解库。从GitHub上下载ARPACK-ng，使用自带的CMake编译方式。生成Visual Studio项目文件后，既可以直接编译得到Arpack的静态库。 WelSim与作者不隶属于Palace, Hypre, MUMPS, Arpack, GSLib, libCEEM, 和MFEM。
26010编辑于 2026-01-02
来自专栏Python进阶之路
import statsmodels.api as sm 时 ImportError: DLL load failed while importing _arpack: 找不到指定的程序。
解决过程曲折，大致就是 scipy 版本与 statsmodels 的有些方法不兼容，scipy==1.6.0后，问题解决了：
2K20编辑于 2022-05-09
来自专栏WELSIM
Windows环境下编译电磁仿真求解器Palace
ARPACK-NG：支持复数线性矩阵计算，用于特征值计算。以F77程序为主，无需依赖PETSc，可以独立编译。GSLIB：用于高阶谱单元的插值计算，可选。 SLEPc和ARPACK这两个复数求解器，需要至少一个。如果没有，将无法实现特征值相关的计算。本文选用了ARPACK。如图所示，libpalace项目设置设置外部头文件链接位置添加预处理宏命令CEED_SKIP_VISIBILITYPALACE_WITH_ARPACK_CRT_SECURE_NO_WARNINGSpalace
91760编辑于 2023-11-20
来自专栏图灵技术域
LLE（Locally Linear Embedding）算法
有‘arpack’和‘dense’两者算法选择。当然也可以选择'auto'让scikit-learn自己选择一个合适的算法。 ‘arpack’和‘dense’的主要区别是‘dense’一般适合于非稀疏的矩阵分解。而‘arpack’虽然可以适应稀疏和非稀疏的矩阵分解，但在稀疏矩阵分解时会有更好算法速度。
1.1K30发布于 2021-05-21
来自专栏机器学习与统计学
sklearn.decomposition.PCA 参数速查手册
auto PCA 类自动选择下述三种算法权衡 randomized 适用于数据量大，数据维度多同时主成分数目比例又较低的 PCA 降维 full 传统意义上的 SVD，使用了 scipy 库对应的实现 arpack tol 停止求解的标准，float 类型，默认值为 0 当 svd_solver 选择‘arpack’时，其运行 SVD 算法的容错率 iterated_power int 类型或者 str 类型，默认值为
1.4K40发布于 2020-02-12
来自专栏DeepHub IMBA
非线性降维方法 Isomap Embedding
nearest neighbors n_components=3, # number of dimensions eigen_solver='auto', # {‘auto’, ‘arpack ’, ‘dense’}, default=’auto’ tol=0, # default=0, Convergence tolerance passed to arpack or lobpcg max_iter=None, # default=None, Maximum number of iterations for the arpack solver. not used if eigen_solver
1.3K20发布于 2021-09-15
来自专栏机器学习算法原理与实践
用scikit-learn学习主成分分析(PCA)
有4个可以选择的值：{‘auto’, ‘full’, ‘arpack’, ‘randomized’}。 arpack和randomized的适用场景类似，区别是randomized使用的是scikit-learn自己的SVD实现，而arpack直接使用了scipy库的sparse SVD实现。
1.4K20发布于 2018-08-14
来自专栏机器学习算法与Python学习
机器学习(28)【降维】之sklearn中PCA库讲解与实战
有4个可以选择的值：{‘auto’, ‘full’, ‘arpack’, ‘randomized’}。 arpack和randomized的适用场景类似，区别是randomized使用的是scikit-learn自己的SVD实现，而arpack直接使用了scipy库的sparse SVD实现。
2.4K60发布于 2018-04-04
来自专栏数据科学学习手札
（数据科学学习手札22）主成分分析法在Python与R中的基本功能实现
有4个可以选择的值：{‘auto’, ‘full’, ‘arpack’, ‘randomized’}。 arpack和randomized的适用场景类似，区别是randomized使用的是scikit-learn自己的SVD实现，而arpack直接使用了scipy库的sparse SVD实现。
1.9K100发布于 2018-04-17
来自专栏生物信息云
生信分析不会？那就问问ChatGPT
进行标准化 sc.pp.normalize_per_cell(adata, counts_per_cell after=1e4) # 进行降维sc.tl.pca(adata, svd solver='arpack
71930编辑于 2023-02-27
来自专栏机器学习算法原理与实践
用scikit-learn研究局部线性嵌入(LLE)
有‘arpack’和‘dense’两者算法选择。当然也可以选择'auto'让scikit-learn自己选择一个合适的算法。 ‘arpack’和‘dense’的主要区别是‘dense’一般适合于非稀疏的矩阵分解。而‘arpack’虽然可以适应稀疏和非稀疏的矩阵分解，但在稀疏矩阵分解时会有更好算法速度。
1K20发布于 2018-08-14
来自专栏空间转录组数据分析
10X空间转录组通讯信号流的运用（COMMOT）
max_mean=3, min_disp=0.5) adata = adata[:, adata.var.highly_variable] sc.tl.pca(adata, svd_solver='arpack max_mean=3, min_disp=0.5) adata = adata[:, adata.var.highly_variable] sc.tl.pca(adata, svd_solver='arpack
82430编辑于 2023-07-22
来自专栏机器学习/数据可视化
Sklearn库中使用PCA
其目的是降低输入数据的冗余性，使得经过白化处理的输入数据具有如下性质：特征之间相关性较低所有特征具有相同的方差 svd_solver str类型，str {‘auto’, ‘full’, ‘arpack ’, ‘randomized’} 意义：定奇异值分解 SVD 的方法 auto：自动选择 full：传统意义上的SVD arpack：直接使用scipy库的sparse SVD实现 randomized
1.8K10发布于 2021-03-01
10X HD数据分析进行COMMOT信号流分析
sc.pp.highly_variable_genes(adata, n_top_genes=2000)adata = adata[:, adata.var.highly_variable]sc.tl.pca(adata, svd_solver='arpack
28520编辑于 2025-03-06
来自专栏早起Python
使用Python进行数据降维｜线性降维
#降维 >>> pca = PCA(n_components=1, svd_solver='arpack') >>> pca.fit(X) PCA(n_components=1, svd_solver= 'arpack') >>> print(pca.explained_variance_ratio_) [0.99244...] >>> print(pca.singular_values_) [6.30061
2K10发布于 2020-04-22
课前准备---空间通讯信号流COMMOT（封装版）
0.0125, max_mean=3, min_disp=0.5)adata = adata[:, adata.var.highly_variable]sc.tl.pca(adata, svd_solver='arpack
19810编辑于 2024-07-15
来自专栏生物信息学、python、R、linux
scanpy分析单细胞数据
total_counts', 'pct_counts_mt']) sc.pp.scale(adata, max_value=10) PCA主成分分析 sc.tl.pca(adata, svd_solver='arpack
2.4K20发布于 2020-12-21

第 2 页第 3 页第 4 页

点击加载更多

讲解from . import _arpack ImportError: DLL load failed

【技术分享】特征值分解

2021-08-16

编译开源电磁仿真求解器Palace

import statsmodels.api as sm 时 ImportError: DLL load failed while importing _arpack: 找不到指定的程序。

Windows环境下编译电磁仿真求解器Palace

LLE（Locally Linear Embedding）算法

sklearn.decomposition.PCA 参数速查手册

非线性降维方法 Isomap Embedding

用scikit-learn学习主成分分析(PCA)

机器学习(28)【降维】之sklearn中PCA库讲解与实战

（数据科学学习手札22）主成分分析法在Python与R中的基本功能实现

生信分析不会？那就问问ChatGPT

用scikit-learn研究局部线性嵌入(LLE)

10X空间转录组通讯信号流的运用（COMMOT）

Sklearn库中使用PCA

10X HD数据分析进行COMMOT信号流分析

使用Python进行数据降维｜线性降维

课前准备---空间通讯信号流COMMOT（封装版）

scanpy分析单细胞数据

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐