使用python中的内置函数查找3d距离

Question

我有6个列表存储两组位置的x，y，z坐标（每组3个列表）。我想计算两组中每个点之间的距离。我写了自己的距离函数，但速度很慢。我的一个名单有大约100万条目。 我试过cdist，但它产生了一个距离矩阵，我不明白它是什么意思。是否有其他内置功能可以做到这一点？

Answer 1

如果可能，请使用numpy模块来处理此类事情。它比使用常规python列表更有效率。

我正在解释你的问题

1. 你有两套积分
2. 两组具有相同的分数（N）
3. 集合1中的点k与集合2中的点k相关。如果每个点都是某个对象的坐标，我将其解释为包含初始点的集合1并设置为2指出其他时间t。
4. 您希望在第1组中找到距离d(k) = dist(p1(k), p2(k)) p1(k)为点数k，而p2(k)为第2组中的点数k。 / LI>

   假设您的6个列表分别是x1_coords，y1_coords，z1_coords和x2_coords，y2_coords，z2_coords，那么您可以计算像这样的距离

   import numpy as np
   p1 = np.array([x1_coords, y1_coords, z1_coords])
   p2 = np.array([x2_coords, y2_coords, z2_coords])
   
   squared_dist = np.sum((p1-p2)**2, axis=0)
   dist = np.sqrt(squared_dist)
   

   p1(k)和p2(k)之间的距离现在作为dist[k]存储在numpy数组中。

   至于速度：在我的笔记本电脑上使用“Intel（R）Core（TM）i7-3517U CPU @ 1.90GHz”时，计算N = 1E6的两组点之间距离的时间为45 ms。

Answer 2

尽管此解决方案使用 numpy，但 np.linalg.norm 可能是另一种解决方案。

假设你有一个点 p0 = np.array([1,2,3]) 和第二个点 p1 = np.array([4,5,6])。那么找到两者之间距离的最快方法是：

dist = np.linalg.norm(p0 - p1)