我对我的主管所说的矩阵的“分层块分解”的含义有点不知所措，但目标是将稀疏对称的邻接矩阵放入块对角结构中，以突出显示中存在的簇的结构数据。

（数据捕获两个蛋白质在分子中是否相邻：如果是，则相应的邻接矩阵在其行/列上有一个，否则为零。我将这些邻接矩阵中的一些（每个唯一分子一个）相加并除以结果由分子数量决定（模拟平均值）。

我想知道如何从那里到达块对角结构。这里的人建议 scipy 的反向 CM 和 seaborn 的热图表面上应该能够做到这一点，但到目前为止我都没有运气。我应该选择 SVD 吗？我错过了什么？这就是我得到的。非常感谢你！

def construct_adjacency_matrix(clusters=dict, nomenclature_namespace=dict):

   nbrpairs  = tree2tuplearr(clusters['nbrtree'])
    dim       = len(nomenclature_namespace.items())
    keys      = list(nomenclature_namespace.keys())
    substrate = np.zeros((dim, dim))

    for pair in nbrpairs:
        if (pair[0] not in keys or pair[1] not in keys):
            pass
        else:
            substrate[nomenclature_namespace[pair[0]],
                      nomenclature_namespace[pair[1]]] = 1
    return substrate


def get_simplemean(targetgroup=str):
    targetspath = './../clusterdata/targetgroups/{}/'.format(targetgroup)
    batch       = os.listdir(targetspath)
    adjmats     = [construct_adjacency_matrix(openjson(targetspath+x), namespace) for x in batch]
    # laplacians  = []
    reduced = functools.reduce(lambda x, y: np.add(x,y), adjmats)
    reduced = np.divide(reduced, len(adjmats))
    plt.matshow(reduced)
    seaborn.clustermap(reduced)
    plt.show()

数据中显然有一定的结构，实际上我已经有了集群图，但是我如何放入类似于下面的形式？我意识到这张图片有更多的数据点。