Python 在numpy距离对称矩阵中得到对角平方坐标

如何得到对角线上的大矩形的坐标

例如黄色[0615]、[6151438]、[14381526]

将numpy作为np导入；
作为pd进口熊猫
从sklearn.metrics.pairwise导入余弦_相似性
df=pd.数据帧（数组）#数组是图像numpy
df.shape#（1526360）
s=余弦相似性（df）#（15261526）
马绍公共交通（s）

我试着在第一排得到峰值，但有噪声信息

speak = 1-s[0]

peaks, _ = find_peaks(speak, distance=160, height=0.1)
print(peaks, len(peaks))
np.diff(peaks)

plt.plot(speak)
plt.plot(peaks, speak[peaks], "x")
plt.show()

更新，添加另一个示例 并上传到colab完整脚本

---

使用

np.diag（df）

获得对角线元素列表。当值超过阈值时检查屏幕截图中的颜色是否代表低于/高于某个值，可能为零。

使用

np.diag（df）

获取对角线元素列表。当值超过阈值时检查屏幕截图中的颜色是否代表低于/高于某个值，可能为零。

余弦相似性的所有对角线元素都相同。因此，您应该查找附近值的变化

你可以试试这个：

factor = 1.01
look_nearby = 1

changes = []
for i in range(look_nearby, s.shape[0]-look_nearby):
    if s[i, i+look_nearby] > factor*s[i, i-look_nearby] or factor*s[i, i+look_nearby] < s[i, i-look_nearby]:
        changes.append(i)
        
print(changes)

系数=1.01
看你附近=1
变化=[]
对于范围内的i（近看，s.shape[0]-近看）：
如果s[i，i+look_Nearest]>factor*s[i，i-look_Nearest]或factor*s[i，i+look_Nearest]

---

根据您的偏好设置

因子

值（因为您不希望在第一张图像的输出中使用（1200，1200）和s的值。

余弦相似性的所有对角线元素都是相同的。因此，您应该查找附近值的变化

你可以试试这个：

factor = 1.01
look_nearby = 1

changes = []
for i in range(look_nearby, s.shape[0]-look_nearby):
    if s[i, i+look_nearby] > factor*s[i, i-look_nearby] or factor*s[i, i+look_nearby] < s[i, i-look_nearby]:
        changes.append(i)
        
print(changes)

系数=1.01
看你附近=1
变化=[]
对于范围内的i（近看，s.shape[0]-近看）：
如果s[i，i+look_Nearest]>factor*s[i，i-look_Nearest]或factor*s[i，i+look_Nearest]

根据您的偏好设置

因子

值（因为您不希望在第一张图像的输出中使用（1200，1200）和s的值。

使用聚类求解（在同一问题中查找）

从sklearn.cluster导入DBSCAN
聚类=DBSCAN（eps=0.5，最小样本数=10）。拟合预测
peaks=np.where（clustering[：-1]！=clustering[1:]）[0]

使用群集解决（在同一问题中查找）

从sklearn.cluster导入DBSCAN
聚类=DBSCAN（eps=0.5，最小样本数=10）。拟合预测
peaks=np.where（clustering[：-1]！=clustering[1:]）[0]

s的形状是什么？@RahulVishwakarma（15261526）提供了一个s的样本。或者提供一个代码来生成it@RahulVishwakarma将数据帧上载到csv链接对我不起作用。但我补充了一个答案，看看是否有用。s的形状是什么？@RahulVishwakarma（15261526）提供了一个s的样本。或者提供一个代码来生成it@RahulVishwakarma将数据帧上载到csv链接对我不起作用。但是我已经添加了一个答案，检查它是否有用。需要“s=cosine\u相似度（df）”的对角线，那么结果总是会有等于1的值，然后在

np.diag（s）

中循环。没有你的值，我不知道你的图中的颜色是什么意思。@Aramkus是的，你是对的，但是在距离矩阵上，对角线值总是对应于元素本身，那里没有有用的信息。有必要精确地观察对角线上的大正方形面积。我将dataframe上传到csv dropmefiles.com/CxWeyIf matplotlib以相同的颜色绘制这些区域，其中的值非常相似，因此对角线应该包含所有信息。您可以尝试找到对角线数组与其自身滚动平均数相交的点。在这样的地方，

s

中的值会快速变化。@Aramkus我只举了一个例子，颜色并不重要，正方形可以不同。。。我正在寻找一种算法，可能类似于分类或聚类，需要“s=cosine\u相似度（df）”的对角线，然后发现总是有等于1的值，然后通过

np.diag进行循环。没有你的值，我不知道你的图中的颜色是什么意思。@Aramkus是的，你是对的，但是在距离矩阵上，对角线值总是对应于元素本身，那里没有有用的信息。有必要精确地观察对角线上的大正方形面积。我将dataframe上传到csv dropmefiles.com/CxWeyIf matplotlib以相同的颜色绘制这些区域，其中的值非常相似，因此对角线应该包含所有信息。您可以尝试找到对角线数组与其自身滚动平均数相交的点。在这样的地方，
s
中的值会快速变化。@Aramkus我只举了一个例子，颜色并不重要，正方形可以不同。。。我正在寻找一种算法，可能类似于分类或聚类
[607, 608, 612, 613, 614, 615, 616, 617, 618, 1380, 1381, 1382, 1383, 1385, 1394, 1395, 1396, 1397, 1398, 1399, 1400, 1401, 1402, 1430, 1431, 1432, 1433, 1434, 1435, 1436, 1437, 1440, 1441, 1442, 1443, 1444, 1445, 1447, 1448, 1449, 1450, 1451, 1452, 1453, 1454, 1455, 1456, 1457, 1458, 1459, 1460, 1461, 1463, 1464, 1465, 1466, 1467, 1468, 1469, 1470, 1471, 1473, 1479, 1480, 1481, 1482, 1483, 1484, 1485, 1486, 1487, 1488.......1519, 1520, 1521, 1522, 1524]
非常感谢，但也许我不能正确地回答这个问题……我需要大的间隔，尽可能明亮，但不是全部是的。要获得大的间隔，你应该更改因子值，尝试将其增加到2或1.5或其他值，或将其减少到0.5或其他值。如果没有看到c的sUpload的实际数据，我无法说出因子值olad完整示例此Colab笔记本运行良好，错误是什么？您希望我添加的图像的输出是什么，您如何使用回答中给出的代码获得各种因子值