[PYTHON] So testen Sie den Friends-of-Friends-Algorithmus mit pyfof

Freunde von Freunden Was ist der Algorithmus?

Der Algorithmus ist super einfach, mit nur einem Parameter, und es sei der Schwellenwert r.

1. Wenn sich N Punkte im Raum befinden, achten Sie auf einen bestimmten Punkt darin. Die Entfernung von diesem einen Punkt zu den verbleibenden N-1 Punkten wird berechnet, und alles, was kleiner oder gleich r ist, wird als Freund beurteilt.
2. Konzentrieren Sie sich als Nächstes auf einen anderen Punkt und führen Sie dieselbe Berechnung durch. Wenn mit dem Freund, für den Sie sich zuvor entschieden haben, etwas gemeinsam ist, fügen Sie einen Freund hinzu. Wenn keine gemeinsamen Elemente vorhanden sind, wird eine neue Familie von Freunden erstellt.
3. Wiederholen Sie dies einfach.

Pyfof installieren

pyfof ist eine Bibliothek, mit der Freunde von Freunden mit Python mit hoher Geschwindigkeit Cluster finden können. Anstatt einfach den Friends-of-Friends-Algorithmus zu implementieren, wurde die Beschleunigung anscheinend durch die Methode R * -tree ermöglicht. (Ich kenne die Details nicht).

Installation ist

python

pip install pyfof

Es war nur OK (@ google colab, 2020.8.19)

Ausführungsbeispiel

python

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.cm as cm
import pyfof

npts = 10000
ndim = 2
nptsperdim = int(npts/ndim)
data = np.vstack((np.random.normal(-1,0.2,(nptsperdim,ndim)),\
                  np.random.normal(1,0.2,(nptsperdim,ndim))))

groups = pyfof.friends_of_friends(data, 0.4)

colors = cm.rainbow(np.linspace(0, 1, len(groups)))
for g,c in zip(groups, colors):
    plt.scatter(data[g,0], data[g,1], color=c, s=3)

plt.show() 

Dann

Es kann ordentlich in zwei Klassen unterteilt werden.

Als nächstes, warum nicht eine andere Klasse in die Mitte stellen?

python

npts = 10000
ndim = 2
nptsperdim = int(npts/ndim)
data = np.vstack((np.random.normal(-1,0.2,(nptsperdim,ndim)),\
                  np.random.normal(1,0.2,(nptsperdim,ndim)),\
                  np.random.normal(0.,0.2,(nptsperdim,ndim))))

groups = pyfof.friends_of_friends(data, 0.4) # 0.Wenn es 4 ist, ist es zu groß und alle werden in dieselbe Klasse eingeteilt.

colors = cm.rainbow(np.linspace(0, 1, len(groups)))
for g,c in zip(groups, colors):
    plt.scatter(data[g,0], data[g,1], color=c, s=3)

plt.show()

Dann hatten sie alle die gleiche Farbe, das heißt die gleiche Klasse.

Lassen Sie uns den Bereich ein wenig ändern

python

npts = 10000
ndim = 2
nptsperdim = int(npts/ndim)
#Machen Sie Gaußsches Sigma kleiner.
data = np.vstack((np.random.normal(-1,0.1,(nptsperdim,ndim)),\
                  np.random.normal(1,0.1,(nptsperdim,ndim)),\
                  np.random.normal(0.,0.1,(nptsperdim,ndim))))

groups = pyfof.friends_of_friends(data, 0.2) # 0.2 und machen Sie den Standard etwas kleiner. Und das obere Sigma wurde kleiner gemacht.

colors = cm.rainbow(np.linspace(0, 1, len(groups)))
for g,c in zip(groups, colors):
    plt.scatter(data[g,0], data[g,1], color=c, s=3)

plt.show()

Es anschauen

Es wurde richtig in 3 Klassen eingeteilt. Dies liegt daran, dass das Gaußsche Sigma reduziert wurde und das Kriterium von 0,4 auf 0,2 reduziert wurde.

Der Code kann auch unter google colab angezeigt werden.