Пользовательские цвета кластеров SciPy dendrogram в Python (link_color_func?)

Я хочу покрасить свои кластеры с цветовой картой, которую я сделал в виде словаря (т. Е. {leaf: color} ).

Я пробовал следовать https://joernhees.de/blog/2015/08/26/scipy-hierarchical-clustering-and-dendrogram-tutorial/, но цвета почему-то перепутались. График по умолчанию выглядит хорошо, я просто хочу назначить эти цвета по-разному. Я видел, что был link_color_func но когда я попытался использовать мою цветовую карту (словарь D_leaf_color ), я получил ошибку b / c, это не была функция. Я создал D_leaf_color для настройки цветов листьев, связанных с конкретными кластерами. В моем фактическом наборе данных цвета означают что-то, поэтому я удаляюсь от произвольных цветовых назначений.

Я не хочу использовать color_threshold b / c в своих фактических данных, у меня есть еще больше кластеров, а SciPy повторяет цвета, следовательно, этот вопрос. , ,

Как я могу использовать словарь листового цвета для настройки цвета моих кластеров дендрограмм?

Я сделал проблему GitHub https://github.com/scipy/scipy/issues/6346, где я подробно остановился на подходе к цвету листьев в интерпретации вывода иерархической кластерной дендрограммы SciPy? (может быть, обнаружена ошибка …), но я до сих пор не могу понять, как на самом деле: (i) использовать вывод dendrogram для восстановления моей дендрограммы с указанным цветным словарем или (ii) переформатировать словарь D_leaf_color для параметра link_color_func .

 # Init import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns; sns.set() # Load data from sklearn.datasets import load_diabetes # Clustering from scipy.cluster.hierarchy import dendrogram, fcluster, leaves_list from scipy.spatial import distance from fastcluster import linkage # You can use SciPy one too %matplotlib inline # Dataset A_data = load_diabetes().data DF_diabetes = pd.DataFrame(A_data, columns = ["attr_%d" % j for j in range(A_data.shape[1])]) # Absolute value of correlation matrix, then subtract from 1 for disimilarity DF_dism = 1 - np.abs(DF_diabetes.corr()) # Compute average linkage A_dist = distance.squareform(DF_dism.as_matrix()) Z = linkage(A_dist,method="average") # Color mapping D_leaf_colors = {"attr_1": "#808080", # Unclustered gray "attr_4": "#B061FF", # Cluster 1 indigo "attr_5": "#B061FF", "attr_2": "#B061FF", "attr_8": "#B061FF", "attr_6": "#B061FF", "attr_7": "#B061FF", "attr_0": "#61ffff", # Cluster 2 cyan "attr_3": "#61ffff", "attr_9": "#61ffff", } # Dendrogram # To get this dendrogram coloring below `color_threshold=0.7` D = dendrogram(Z=Z, labels=DF_dism.index, color_threshold=None, leaf_font_size=12, leaf_rotation=45, link_color_func=D_leaf_colors) # TypeError: 'dict' object is not callable

введите описание изображения здесь

Я также пробовал, как получить поддеревья дендрограммы, сделанные scipy.cluster.hierarchy

3 Solutions collect form web for “Пользовательские цвета кластеров SciPy dendrogram в Python (link_color_func?)”

Здесь решение, которое использует возвращаемую матрицу Z linkage() (описанную ранее, но немного скрытую в документах ) и link_color_func :

 # see question for code prior to "color mapping" # Color mapping dflt_col = "#808080" # Unclustered gray D_leaf_colors = {"attr_1": dflt_col, "attr_4": "#B061FF", # Cluster 1 indigo "attr_5": "#B061FF", "attr_2": "#B061FF", "attr_8": "#B061FF", "attr_6": "#B061FF", "attr_7": "#B061FF", "attr_0": "#61ffff", # Cluster 2 cyan "attr_3": "#61ffff", "attr_9": "#61ffff", } # notes: # * rows in Z correspond to "inverted U" links that connect clusters # * rows are ordered by increasing distance # * if the colors of the connected clusters match, use that color for link link_cols = {} for i, i12 in enumerate(Z[:,:2].astype(int)): c1, c2 = (link_cols[x] if x > len(Z) else D_leaf_colors["attr_%d"%x] for x in i12) link_cols[i+1+len(Z)] = c1 if c1 == c2 else dflt_col # Dendrogram D = dendrogram(Z=Z, labels=DF_dism.index, color_threshold=None, leaf_font_size=12, leaf_rotation=45, link_color_func=lambda x: link_cols[x])

Здесь вывод: дендрограммы

Двухстрочный вкладыш для применения пользовательской цветовой палитры к ветвям кластера:

 import matplotlib as mpl from matplotlib.pyplot import cm from scipy.cluster import hierarchy cmap = cm.rainbow(np.linspace(0, 1, 10)) hierarchy.set_link_color_palette([mpl.colors.rgb2hex(rgb[:3]) for rgb in cmap])

Затем вы можете заменить радугу любым cmap и изменить 10 на количество желаемого кластера.

Я нашел хакерское решение и требует использовать порог цвета (но мне нужно использовать его, чтобы получить ту же самую оригинальную окраску, иначе цвета не совпадают с представленными в OP), но могут привести вас к решение. Однако у вас может не быть достаточно информации, чтобы знать, как установить порядок цветовой палитры.

 # Init import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns; sns.set() # Load data from sklearn.datasets import load_diabetes # Clustering from scipy.cluster.hierarchy import dendrogram, fcluster, leaves_list, set_link_color_palette from scipy.spatial import distance from fastcluster import linkage # You can use SciPy one too %matplotlib inline # Dataset A_data = load_diabetes().data DF_diabetes = pd.DataFrame(A_data, columns = ["attr_%d" % j for j in range(A_data.shape[1])]) # Absolute value of correlation matrix, then subtract from 1 for disimilarity DF_dism = 1 - np.abs(DF_diabetes.corr()) # Compute average linkage A_dist = distance.squareform(DF_dism.as_matrix()) Z = linkage(A_dist,method="average") # Color mapping dict not relevant in this case # Dendrogram # To get this dendrogram coloring below `color_threshold=0.7` #Change the color palette, I did not include the grey, which is used above the threshold set_link_color_palette(["#B061FF", "#61ffff"]) D = dendrogram(Z=Z, labels=DF_dism.index, color_threshold=.7, leaf_font_size=12, leaf_rotation=45, above_threshold_color="grey")

Результат:

введите описание изображения здесь