Question

给定两个维度的三维数组（2,2,2）：

A = [[[ 0,  0],
    [92, 92]],

   [[ 0, 92],
    [ 0, 92]]]

B = [[[ 0,  0],
    [92,  0]],

   [[ 0, 92],
    [92, 92]]]

如何有效地找到A和B中每个向量的欧几里德距离？

我尝试了for-loops但这些很慢，而且我正按照（＆gt;＆gt; 2，＆gt;＆gt; 2,2）的顺序使用3-D阵列。

最终我想要一个表格矩阵：

C = [[d1, d2],
     [d3, d4]]

编辑：

我尝试了以下循环，但最大的问题是丢失了我想要保留的尺寸。但距离是正确的。

[numpy.sqrt((A[row, col][0] - B[row, col][0])**2 + (B[row, col][1] -A[row, col][1])**2) for row in range(2) for col in range(2)]

Answer 1

以NumPy向量化方式思考，该方法将执行元素分化，沿最后一个轴进行平方和求和，最后得到平方根。因此，直接实施将是 -

np.sqrt(((A - B)**2).sum(-1))

我们可以一次性使用np.einsum对最后一个轴进行平方和求和，从而提高效率，就像这样 -

subs = A - B
out = np.sqrt(np.einsum('ijk,ijk->ij',subs,subs))

numexpr module的另一种选择 -

import numexpr as ne
np.sqrt(ne.evaluate('sum((A-B)**2,2)'))

因为我们在最后一个轴上使用2的长度，我们可以将它们切片并将其提供给evaluate方法。请注意，在evaluate字符串中无法进行切片。因此，修改后的实现将是 -

a0 = A[...,0]
a1 = A[...,1]
b0 = B[...,0]
b1 = B[...,1]
out = ne.evaluate('sqrt((a0-b0)**2 + (a1-b1)**2)')

运行时测试

功能定义 -

def sqrt_sum_sq_based(A,B):
    return np.sqrt(((A - B)**2).sum(-1))

def einsum_based(A,B):
    subs = A - B
    return np.sqrt(np.einsum('ijk,ijk->ij',subs,subs))

def numexpr_based(A,B):
    return np.sqrt(ne.evaluate('sum((A-B)**2,2)'))

def numexpr_based_with_slicing(A,B):
    a0 = A[...,0]
    a1 = A[...,1]
    b0 = B[...,0]
    b1 = B[...,1]
    return ne.evaluate('sqrt((a0-b0)**2 + (a1-b1)**2)')

计时 -

In [288]: # Setup input arrays
     ...: dim = 2
     ...: N = 1000
     ...: A = np.random.rand(N,N,dim)
     ...: B = np.random.rand(N,N,dim)
     ...: 

In [289]: %timeit sqrt_sum_sq_based(A,B)
10 loops, best of 3: 40.9 ms per loop

In [290]: %timeit einsum_based(A,B)
10 loops, best of 3: 22.9 ms per loop

In [291]: %timeit numexpr_based(A,B)
10 loops, best of 3: 18.7 ms per loop

In [292]: %timeit numexpr_based_with_slicing(A,B)
100 loops, best of 3: 8.23 ms per loop

In [293]: %timeit np.linalg.norm(A-B, axis=-1) #@dnalow's soln
10 loops, best of 3: 45 ms per loop

Answer 2

完整性：

np.linalg.norm(A-B, axis=-1)

Numpy：找到两个三维阵列之间的欧氏距离

2 个答案: