显示 scipy 树状图的簇标签

我正在使用层次聚类来对词向量进行聚类，并且我希望用户能够显示显示聚类的树状图。然而，由于可能有数千个单词，我希望这个树状图被截断为一些合理的有价值的，每个叶子的标签是该簇中最重要的单词的字符串。

我的问题是，根据文档 http://students.mimuw.edu.pl/~pbechler/scipy_doc/generated/scipy.cluster.hierarchy.dendrogram.html, “只有当 labels[i] 值对应于原始观察值而不是非单例簇时，才是放置在第 i 个叶节点下的文本。”我认为这意味着我不能标记簇，只能标记奇异点？

为了说明这一点，这里有一个简短的 python 脚本，它生成一个简单的标记树状图：

import numpy as np
from scipy.cluster.hierarchy import dendrogram, linkage
from matplotlib import pyplot as plt

randomMatrix = np.random.uniform(-10,10,size=(20,3))
linked = linkage(randomMatrix, 'ward')

labelList = ["foo" for i in range(0, 20)]

plt.figure(figsize=(15, 12))
dendrogram(
            linked,
            orientation='right',
            labels=labelList,
            distance_sort='descending',
            show_leaf_counts=False
          )
plt.show()

现在假设我想截断为仅 5 个叶子，并且对于每个叶子，将其标记为“foo，foo，foo ...”，即组成该簇的单词。 （注意：生成这些标签不是这里的问题。）我截断它，并提供一个标签列表来匹配：

labelList = ["foo, foo, foo..." for i in range(0, 5)]
dendrogram(
            linked,
            orientation='right',
            p=5,
            truncate_mode='lastp',
            labels=labelList,
            distance_sort='descending',
            show_leaf_counts=False
          )

问题是，没有标签：

我认为参数“leaf_label_func”可能在这里有用，但我不确定如何使用它。

您使用 leaf_label_func 参数是正确的。

除了创建绘图之外，树状图函数还返回一个包含多个列表的字典（在文档中称为 R）。您创建的 leaf_label_func 必须从 R["leaves"] 中获取值并返回所需的标签。设置标签的最简单方法是运行树状图两次。一旦与no_plot=True获取用于创建标签图的字典。然后再次创建情节。

randomMatrix = np.random.uniform(-10,10,size=(20,3))
linked = linkage(randomMatrix, 'ward')

labels = ["A", "B", "C", "D"]
p = len(labels)

plt.figure(figsize=(8,4))
plt.title('Hierarchical Clustering Dendrogram (truncated)', fontsize=20)
plt.xlabel('Look at my fancy labels!', fontsize=16)
plt.ylabel('distance', fontsize=16)

# call dendrogram to get the returned dictionary 
# (plotting parameters can be ignored at this point)
R = dendrogram(
                linked,
                truncate_mode='lastp',  # show only the last p merged clusters
                p=p,  # show only the last p merged clusters
                no_plot=True,
                )

print("values passed to leaf_label_func\nleaves : ", R["leaves"])

# create a label dictionary
temp = {R["leaves"][ii]: labels[ii] for ii in range(len(R["leaves"]))}
def llf(xx):
    return "{} - custom label!".format(temp[xx])

## This version gives you your label AND the count
# temp = {R["leaves"][ii]:(labels[ii], R["ivl"][ii]) for ii in range(len(R["leaves"]))}
# def llf(xx):
#     return "{} - {}".format(*temp[xx])


dendrogram(
            linked,
            truncate_mode='lastp',  # show only the last p merged clusters
            p=p,  # show only the last p merged clusters
            leaf_label_func=llf,
            leaf_rotation=60.,
            leaf_font_size=12.,
            show_contracted=True,  # to get a distribution impression in truncated branches
            )
plt.show()