Question

我有以下函数来获得两个向量a和b之间的欧几里德距离。

def distance_func(a,b):
    distance = np.linalg.norm(b-a)
    return distance

在这里，我希望a成为向量数组的元素。所以我使用numpy vectorize迭代数组。（为了获得比使用for循环迭代更好的速度）

vfunc = np.vectorize(distance_func)

我使用以下方法获得欧几里德距离数组

a = np.array([[1,2],[2,3],[3,4],[4,5],[5,6]])
b = np.array([1,2])

vfunc(a,b)

但是这个函数返回：

数组（[[0.，0。]， [1.，1。]， [2.，2。]， [3.，3。]， [4.，4。]]）

这是对第二个向量分别执行操作np.linalg.norm(a-b)的结果。如何使用numpy vectorize以这种方式获取欧几里德距离数组？

Answer 1

您不需要使用vectorize，您可以这样做：

a = np.array([[1,2],[2,3],[3,4],[4,5],[5,6]])
b = np.array([1,2])

np.linalg.norm(a-b, axis=1)

给出：

[ 0.          1.41421356  2.82842712  4.24264069  5.65685425]

（我认为这是你想要的，但如果没有，请同时展示你期望的结果。）

Answer 2

如果您想计算所有数据点之间的欧氏距离，您应该使用为此效果提供的功能之一

from sklearn.metrics import euclidean_distances
from scipy.spatial import distance_matrix

它们经过优化，可以完全向量化的方式计算几个点a到几个点b的距离。

import numpy as np
a = np.random.randn(100, 2)
b = np.random.randn(200, 2)

d1 = euclidean_distances(a, b)
d2 = distance_matrix(a, b, p=2)
print d1.shape  # yields (100, 200), one distance for each possible couple
print d2.shape

速度考虑

In [90]: %timeit d1 = euclidean_distances(a, b)
1000 loops, best of 3: 403 us per loop

In [91]: %timeit d2 = distance_matrix(a, b, p=2)
1000 loops, best of 3: 699 us per loop

使用numpy矢量化在2D数组中仅对一个轴进行矢量化

2 个答案: