我有一个对象列表list_of_objects，我使用scipy.cluster.hierarchy.linkage()将其聚集在一起。输入scipy.cluster.hierarchy.linkage()采用压缩距离矩阵。我使用itertools.combinations来比较唯一组合来计算压缩距离矩阵：
distances = map(do_comparison, itertools.combinations(list_of_objects, 2))
即便如此，它需要的时间会随着list_of_objects的大小而快速增长。有更快的方法吗？
答案 0 :(得分：3)
如果存在距离无关紧要的临界截止值（数据相关的答案），您可以尝试使用scipy.spatial.KDTree.sparse_distance_matrix中的备用矩阵表示。对KDTree的了解应该大大减少计算较长距离的时间。
要使其与群集一起使用，您可能需要注意：
计算两个KDTrees之间的距离矩阵，将任何距离保持为零，大于max_distance 。
并将零更改为np.inf。
答案 1 :(得分：1)
距离计算是对称的：d（x，y）= d（y，x），因此无需复制它们。并且所有对角线项均为零：d（x，x）= 0。
但是一旦你知道这一点，就无法完成需要完成的计算次数。
幸运的是，它们很容易并行化。创建具有多个线程的矩阵，您将加快速度。