我已经写我自己的集群处理例程，并想产生一个树状图。要做到这一点最简单的方法是使用SciPy的聚类功能。然而，这需要输入是在该联动SciPy的函数产生的相同的格式。我找不到这个输出是如何格式化的例子。我想知道有人在那里能否赐教。
这是从scipy.cluster.hierarchy.linkage()函数文档，我认为这是输出格式相当明确的说明：
A（N-1）由4矩阵Z被返回。在第i次迭代，具有索引ž簇[I，0]和Z [I，1]被组合以形成簇N + I。与小于n的索引的群集对应于原始观测之一。簇之间的距离Z [I，0]和Z [I，1]由Z给出[I，2]。第四值Z [I，3]表示新形成的集群中的原始观测值的数目。
你需要更多的东西？
我https://stackoverflow.com/users/1167475/mortonjt同意该文件资料并不能完全解释中间簇索引，虽然我与https://stackoverflow.com/users/1354844/dkar的格式，否则解释恰恰同意。
从这个问题使用示例数据：Tutorial for scipy.cluster.hierarchy
A = np.array([[0.1, 2.5],
[1.5, .4 ],
[0.3, 1 ],
[1 , .8 ],
[0.5, 0 ],
[0 , 0.5],
[0.5, 0.5],
[2.7, 2 ],
[2.2, 3.1],
[3 , 2 ],
[3.2, 1.3]])
甲联动基质可以使用单（即，最接近的匹配点）来构建：
z = hac.linkage(a, method="single")
array([[ 7. , 9. , 0.3 , 2. ],
[ 4. , 6. , 0.5 , 2. ],
[ 5. , 12. , 0.5 , 3. ],
[ 2. , 13. , 0.53851648, 4. ],
[ 3. , 14. , 0.58309519, 5. ],
[ 1. , 15. , 0.64031242, 6. ],
[ 10. , 11. , 0.72801099, 3. ],
[ 8. , 17. , 1.2083046 , 4. ],
[ 0. , 16. , 1.5132746 , 7. ],
[ 18. , 19. , 1.92353841, 11. ]])
作为文档解释下面n中的簇（在此：11）是简单地在原始矩阵A.中间簇前进，依次进行索引的数据点。
因此，簇7和9（第一合并）合并成11组，簇4和6到12中。然后观察线3，合并的簇5（从A）和12（来自未示出的中间簇12）得到的一聚类内的0.5距离（WCD）。单方法需要新的WCS是0.5，这是在簇12 A [5]和最近点之间的距离，A [4]和A [6]。让我们检查：
In [198]: norm([a[5]-a[4]])
Out[198]: 0.70710678118654757
In [199]: norm([a[5]-a[6]])
Out[199]: 0.5
此集群现在应该中间簇13，其随后被合并与A [2]。因此，新的距离应该是点A [2]和A [4,5,6]之间的最近。
In [200]: norm([a[2]-a[4]])
Out[200]: 1.019803902718557
In [201]: norm([a[2]-a[5]])
Out[201]: 0.58309518948452999
In [202]: norm([a[2]-a[6]])
Out[202]: 0.53851648071345048
其中，作为可以看出还检查出，并解释的新簇的中间格式。
该SciPy的文档是准确的，因为嘎指出...但它是一个有点难以打开返回的数据到的东西，是进一步分析使用。
在我看来，他们应该包括在像数据结构的树返回数据的能力。下面的代码将遍历矩阵，并建立一个树：
from scipy.cluster.hierarchy import linkage
import numpy as np
a = np.random.multivariate_normal([10, 0], [[3, 1], [1, 4]], size=[100,])
b = np.random.multivariate_normal([0, 20], [[3, 1], [1, 4]], size=[50,])
centers = np.concatenate((a, b),)
def create_tree(centers):
clusters = {}
to_merge = linkage(centers, method='single')
for i, merge in enumerate(to_merge):
if merge[0] <= len(to_merge):
# if it is an original point read it from the centers array
a = centers[int(merge[0]) - 1]
else:
# other wise read the cluster that has been created
a = clusters[int(merge[0])]
if merge[1] <= len(to_merge):
b = centers[int(merge[1]) - 1]
else:
b = clusters[int(merge[1])]
# the clusters are 1-indexed by scipy
clusters[1 + i + len(to_merge)] = {
'children' : [a, b]
}
# ^ you could optionally store other info here (e.g distances)
return clusters
print create_tree(centers)
这里是另一段代码执行相同的功能。此版本跟踪每个簇（节点ID）的距离（尺寸），并且确认构件的数量。
这使用了SciPy的联动（）函数，它是聚集方聚类器的相同的基础。
from scipy.cluster.hierarchy import linkage
import copy
Z = linkage(data_x, 'ward')
n_points = data_x.shape[0]
clusters = [dict(node_id=i, left=i, right=i, members=[i], distance=0, log_distance=0, n_members=1) for i in range(n_points)]
for z_i in range(Z.shape[0]):
row = Z[z_i]
cluster = dict(node_id=z_i + n_points, left=int(row[0]), right=int(row[1]), members=[], log_distance=np.log(row[2]), distance=row[2], n_members=int(row[3]))
cluster["members"].extend(copy.deepcopy(members[cluster["left"]]))
cluster["members"].extend(copy.deepcopy(members[cluster["right"]]))
clusters.append(cluster)
on_split = {c["node_id"]: [c["left"], c["right"]] for c in clusters}
up_merge = {c["left"]: {"into": c["node_id"], "with": c["right"]} for c in clusters}
up_merge.update({c["right"]: {"into": c["node_id"], "with": c["left"]} for c in clusters})