作为this question的作者,我试图使用numpy来实现K-Medoids。然而,我对如何实现medoids-personalizeduation步骤([2]中的第二步)更感兴趣,包括逐个簇地选择最小化与另一个的距离之和的样本。属于同一群集的样本。 假设我们具有[1]中描述的相同结构:
# Number of samples
n_samples = 5
# Distance square matrix
D = np.array([[ 0., 3.04959014, 4.74341649, 3.72424489, 6.70298441],
[ 3.04959014, 0. , 5.38516481, 4.52216762, 6.16846821],
[ 4.74341649, 5.38516481, 0. , 1.02469508, 8.23711114],
[ 3.72424489, 4.52216762, 1.02469508, 0. , 7.69025357],
[ 6.70298441, 6.16846821, 8.23711114, 7.69025357, 0. ]])
# Medoids
medoids = np.array([0, 3])
# Cluster membership array
cl = np.array([0, 0, 1, 1, 0])
我无法使用numpy实现它...有人可以帮助我吗?
[编辑] 我目前最好的解决方案是:
for c in range(number_of_clusters):
ind = np.where(cl == c)[0]
m = np.argmin(D[np.ix_(ind, ind)].sum(axis=0))
medoids[c] = ind[m]