Question

我有一个numpy数组，如：

import numpy as np
a = np.array([[1,0,1,0],
             [1,1,0,0],
             [1,0,1,0],
             [0,0,1,1]])

我想在每对行之间计算euclidian distance。

from scipy.spatial import distance
for i in range(0,a.shape[0]):
    d = [np.sqrt(np.sum((a[i]-a[j])**2)) for j in range(i+1,a.shape[0])]
    print(d)

[1.4142135623730951,0.0,1.4142135623730951]

[1.4142135623730951,2.0]

[1.4142135623730951]

[]

有没有更好的pythonic方法来执行此操作，因为我必须在巨大的numpy数组上运行此代码？

Answer 1

对于更“优雅”的东西，你可以随时使用scikitlearn pairwise euclidean distance：

from sklearn.metrics.pairwise import euclidean_distances
euclidean_distances(a,a)

具有与单个阵列相同的输出。

array([[ 0.        ,  1.41421356,  0.        ,  1.41421356],
       [ 1.41421356,  0.        ,  1.41421356,  2.        ],
       [ 0.        ,  1.41421356,  0.        ,  1.41421356],
       [ 1.41421356,  2.        ,  1.41421356,  0.        ]])

Answer 2

为了完整起见，通常使用einsum进行距离计算。

a = np.array([[1,0,1,0],
         [1,1,0,0],
         [1,0,1,0],
         [0,0,1,1]])

b = a.reshape(a.shape[0], 1, a.shape[1])

np.sqrt(np.einsum('ijk, ijk->ij', a-b, a-b))

array([[ 0.        ,  1.41421356,  0.        ,  1.41421356],
       [ 1.41421356,  0.        ,  1.41421356,  2.        ],
       [ 0.        ,  1.41421356,  0.        ,  1.41421356],
       [ 1.41421356,  2.        ,  1.41421356,  0.        ]])

Answer 3

我使用itertools.combinations和差异向量的np.linalg.norm（这是欧几里德距离）：

import numpy as np
import itertools
a = np.array([[1,0,1,0],
              [1,1,0,0],
              [1,0,1,0],
              [0,0,1,1]])

print([np.linalg.norm(x[0]-x[1]) for x in itertools.combinations(a, 2)])

为了理解，请查看docs中的此示例：
combinations('ABCD', 2)给出AB AC AD BC BD CD。在您的情况下，A，B，C和D是矩阵a的行，因此术语x[0]-x[1]出现在上面的代码是a。

行中向量的差异向量

如何计算numpy数组的一对行之间的欧氏距离

3 个答案: