scikit-tda/ripser.py

Ripser.py とは？

Ripser.py は高速な C++ ライブラリ Ripser の Python ラッパー であり、トポロジカルデータ分析 (TDA) の中心的な手法である 持続的ホモロジー を計算するための軽量で使いやすいツールキットを提供します。点群、距離行列、または画像を 持続的ダイアグラム に変換でき、マルチスケールの形状情報を捉えることができます。これは多くの機械学習パイプラインで有用です。

主な機能

機能	内容
持続的コホモロジー	スパースまたは密なデータに対して、ビートリス・リップス（またはローワースター）フィルトレーションを計算し、誕生/消失ペアを返します。
ダイアグラムの可視化	`persim` パッケージを介してシンプルな `plot_diagrams` ヘルパーで持続的ダイアグラムを描画できます。
画像フィルトレーション	グレースケール画像から直接ローワースター・フィルトレーションを生成できます。
代表的コチェインの抽出	ダイアグラムに表示されたホモロジー類を実現する具体的なコチェインを抽出できます。
scikit-learn互換 API	パイプラインに組み込める `Rips` 変換器（`fit_transform` / `plot`）を提供します。

インストール

# PyPI から（Windows、macOS、Linux 用の事前ビルド済みウェHEEL）
pip install ripser

ソースからビルドが必要な場合（例：コードを編集したい場合）は、リポジトリをクローンして pip install . または編集可能なインストール用に pip install -e . を実行してください。必須の依存関係は Cython, numpy, scipy, scikit-learn, persim です。Windows では MinGW が必要になる場合があります。macOS では Xcode コマンドラインツールが最新であることを確認してください。

オプションの高速化: robin-hood-hashing リポジトリをプロジェクトルートにクローンすると、より高速なハッシュマップ実装が可能になり、最大で約 30 % の速度向上が得られます。

例題

import numpy as np
from ripser import ripser, Rips
from persim import plot_diagrams

# 2次元のランダム点群
X = np.random.random((100, 2))

# 関数型 API
dgms = ripser(X)['dgms']
plot_diagrams(dgms, show=True)

# scikit-learn 風
rips = Rips()
dgms2 = rips.fit_transform(X)
rips.plot(dgms2)

上記のコードは、スケールごとのトポロジカル特徴の寿命を示す持続的ダイアグラム（README の画像を参照）を生成します。

ドキュメントとリソース

完全なドキュメント: https://ripser.scikit-tda.org
JOSS 論文（引用可能）: DOI 10.21105/joss.00925
関連プロジェクト: 元の C++ ライブラリ Ripser, GPU加速版 Ripser++。

ライセンスと引用

ライセンス: MIT（Python ラッパーおよび下位の C++ コードの両方）。
研究でこのライブラリを使用する際は、JOSS 論文と元の Ripser 論文の両方を引用してください（README に BibTeX エントリが提供されています）。

だれが使うべきか？

点群、時系列、画像に TDA を適用するデータサイエンティスト。
分類、クラスタリング、異常検出用の特徴を構築する研究者。
C++ コンパイルの手間なく、高速な純粋 Python インターフェースで持続的ホモロジーが必要な人。