Question

我想测量5维数据集之间的距离（欧几里德）。它看起来像这样：

                  center                                        x
0    [0.09771348879, 1.856078237, 2.100760575, 9.25...  [-1.35602640228e-12, -2.94706481441e-11, -6.51...
1    [8.006780488, 1.097849488, 0.6275244427, 0.572...  [4.99212418613, 5.01853294023, -0.014304672946...
2    [-1.40785823, -1.714959744, -0.5524032233, -0....  [-1.61000102139e-11, -4.680034138e-12, 1.96087...

索引，然后是点（中心），第三个是另一个点（x），所有的点都是5D。我想使用pdist，因为它适用于n-d。但问题是这些点在矩阵X中被排列为m个n维行向量。虽然我上面只有数据格式而不是矩阵，并且包含了它不应该的索引。

我的代码是:( S是上面的格式）

S = pd.DataFrame(paired_data, columns=['x','center'])

print (S.to_string())

Y = pdist(S[1:], 'euclidean')
print Y

Answer 1

这似乎有效：

for i in range(S.shape[0]):
    M = np.matrix( [S['x'][i], S['center'][i]] )
    print pdist(M, 'euclidean')

或iterrows()：

for row in S.iterrows():
    M = np.matrix( [row[1]['x'], row[1]['center']] )
    print pdist(M, 'euclidean')

请注意，不需要创建矩阵，pdist将处理python列表很好：

for row in S.iterrows():
    print pdist([row[1]['x'], row[1]['center']], 'euclidean')

测量5D数据集之间的距离

1 个答案: