Question

我有一个输入文件，其中包含4位小数点的浮点数：

i.e. 13359    0.0000    0.0000    0.0001    0.0001    0.0002`    0.0003    0.0007    ...

（第一个是id）。我的班级使用loadVectorsFromFile方法将其乘以10000然后int()这些数字。最重要的是，我还遍历每个向量以确保内部没有负值。但是，当我执行_hclustering时，我会不断看到错误"Linkage Z contains negative values"。

我认真地认为这是一个错误，因为：

我检查了我的价值观，
值不足够小或大到足以接近浮点数和
我用来导出文件中的值的公式使用绝对值（我的输入肯定是正确的。）

有人可以告诉我为什么我会看到这个奇怪的错误吗？发生了什么导致这种负距离错误？

=====

def loadVectorsFromFile(self, limit, loc, assertAllPositive=True, inflate=True):
    """Inflate to prevent "negative" distance, we use 4 decimal points, so *10000
    """
    vectors = {}
    self.winfo("Each vector is set to have %d limit in length" % limit)
    with open( loc ) as inf:
        for line in filter(None, inf.read().split('\n')):
            l = line.split('\t')
            if limit:
                scores = map(float, l[1:limit+1])
            else:
                scores = map(float, l[1:])

            if inflate:        
                vectors[ l[0]] = map( lambda x: int(x*10000), scores)     #int might save space
            else:
                vectors[ l[0]] = scores                           

    if assertAllPositive:
        #Assert that it has no negative value
        for dirID, l in vectors.iteritems():
            if reduce(operator.or_, map( lambda x: x < 0, l)):
                self.werror( "Vector %s has negative values!" % dirID)
    return vectors

def main( self, inputDir, outputDir, limit=0,
        inFname="data.vectors.all", mappingFname='all.id.features.group.intermediate'):
    """
    Loads vector from a file and start clustering
    INPUT
        vectors is { featureID: tfidfVector (list), }
    """
    IDFeatureDic = loadIdFeatureGroupDicFromIntermediate( pjoin(self.configDir, mappingFname))
    if not os.path.exists(outputDir):
        os.makedirs(outputDir)

    vectors = self.loadVectorsFromFile( limit, pjoin( inputDir, inFname))
    for threshold in map( lambda x:float(x)/30, range(20,30)):
        clusters = self._hclustering(threshold, vectors)
        if clusters:
            outputLoc = pjoin(outputDir, "threshold.%s.result" % str(threshold))
            with open(outputLoc, 'w') as outf:
                for clusterNo, cluster in clusters.iteritems():
                    outf.write('%s\n' % str(clusterNo))
                    for featureID in cluster:
                        feature, group = IDFeatureDic[featureID]
                        outline = "%s\t%s\n" % (feature, group)
                        outf.write(outline.encode('utf-8'))
                    outf.write("\n")
        else:
            continue

def _hclustering(self, threshold, vectors):
    """function which you should call to vary the threshold
    vectors:    { featureID:    [ tfidf scores, tfidf score, .. ]
    """
    clusters = defaultdict(list)
    if len(vectors) > 1:
        try:
            results = hierarchy.fclusterdata( vectors.values(), threshold, metric='cosine')
        except ValueError, e:
            self.werror("_hclustering: %s" % str(e))
            return False

        for i, featureID in enumerate( vectors.keys()):

Answer 1

这是因为浮点不准确，因此矢量之间的某些距离，而不是0，例如-0.000000000000000002。使用scipy.clip()功能来解决问题。如果您的距离矩阵为dmatr，请使用numpy.clip(dmatr,0,1,dmatr)，您应该没问题。

Answer 2

我很确定这是因为您在调用fclusterdata时使用了余弦指标。尝试使用欧几里德，看看错误是否消失。

如果集合中两个向量的点积大于1，则余弦度量可能为负。因为您使用的是非常大的数字并对它们进行规范化，所以我很确定点积大于1数据集中的时间。如果要使用余弦指标，则需要对数据进行标准化，使得两个向量的点积不会大于1.请参阅this page上的公式，以查看余弦指标定义为在Scipy。

修改

好吧，从查看源代码我认为该页面上列出的公式实际上并不是Scipy使用的公式（这很好，因为源代码看起来像是使用正常和正确的余弦距离公式）。然而，当它产生联系时，无论出于何种原因，联系中显然存在一些负面价值。尝试使用scipy.spatial.distance.pdist（）和method ='cosine'找到矢量之间的距离，并检查负值。如果没有，那么它与如何使用距离值形成连接有关。

Answer 3

“链接Z包含负值”。当链接矩阵中的任何链接簇索引被指定为-1时，在scipy层次聚类过程中也会发生此错误。

根据我的观察，任何连锁聚类索引在组合过程中被指定为-1，当所有聚类对或要组合的点之间的距离变为负无穷大时。因此，即使它们之间的连接距离是无限的，连接功能也能组合簇。并指定一个集群或点负指数

摘要所以重点是，如果您使用cosine distance作为指标，并且如果任何数据点的范数或幅度为零，则会发生此错误

Answer 4

我有同样的问题。你能做的是重写余弦函数。例如：

from sklearn.metrics.pairwise import cosine_similarity
def mycosine(x1, x2):
    x1 = x1.reshape(1,-1)
    x2 = x2.reshape(1,-1)
    ans = 1 - cosine_similarity(x1, x2)
    return max(ans[0][0], 0)

...

clusters = hierarchy.fclusterdata(data, threshold, criterion='distance', metric=mycosine, method='average')

Answer 5

我无法改善贾斯汀的答案，但另一点需要注意的是你的数据处理。

你说你做int( float("0.0003") * 10000 )之类的事情来读取数据。但如果你这样做，你就不会3而是2.9999999999999996。那是因为浮点不准确只会成倍增加。

更好，或者至少更准确。方法是通过在字符串中进行乘法。也就是说，使用字符串操作从0.0003到3.0等等。

也许甚至有一个Python数据类型扩展可以读取这种数据，而不会损失精度，您可以在转换前执行乘法。我不在家中使用SciPy /数字，所以我不知道。

修改

Justin评论说python中有一个十进制类型的构建。这可以解释字符串，乘以整数并转换为浮点数（我测试过）。在这种情况下，我建议更新您的逻辑，如：

factor = 1 if inflate: factor = 10000 scores = map(lambda x: float(decimal.Decimal(x) * factor), l[1:])

这会减少你的舍入问题。

Scipy负距离？什么？

5 个答案: