Question

我有一个N点（N * 3）的3D坐标数组X，想要计算每对点之间的距离。

我可以通过迭代X并将它们与阈值进行比较来做到这一点。

coords = array([v.xyz for v in vertices])
for vertice in vertices:
    tests = np.sum(array(coords - vertice.xyz) ** 2, 1) < threshold
    closest = [v for v, t in zip(vertices, tests) if t]

这可以在一次操作中完成吗？我记得10年前的线性代数，无法找到办法。

可能这应该是一个3D数组（点a，点b，轴），然后按axis维度求和。

编辑我自己找到了解决方案，但它不适用于大数据集。

    coords = array([v.xyz for v in vertices])
    big = np.repeat(array([coords]), len(coords), 0)
    big_same = np.swapaxes(big, 0, 1)
    tests = np.sum((big - big_same) ** 2, 0) < thr_square

    for v, test_vector in zip(vertices, tests):
        v.closest = self.filter(vertices, test_vector)

Answer 1

使用scipy.spatial.distance。如果X是一个n×3点数组，您可以从

获得n×n距离矩阵

from scipy.spatial import distance
D = distance.squareform(distance.pdist(X))

然后，最接近点i的是索引为

的点

np.argsort(D[i])[1]

（[1]跳过对角线上的值，将首先返回。）

Answer 2

我不太确定你在这里问的是什么。如果你计算N点空间中每对点之间的欧几里德距离，那么将结果表示为查找矩阵对我来说是有意义的。所以对于N个点，你会得到一个NxN对称矩阵。元素（3,5）将表示点3和5之间的距离，而元素（2,2）将是点2与其自身（零）之间的距离。我就是这样做的随机点：

import numpy as np

N = 5 

coords = np.array([np.random.rand(3) for _ in range(N)])
dist = np.zeros((N, N)) 

for i in range(N):
    for j in range(i, N): 
        dist[i, j] = np.linalg.norm(coords[i] - coords[j])
        dist[j, i] = dist[i, j]

print dist

Answer 3

如果xyz是带有坐标的数组，那么下面的代码将计算距离矩阵（快速工作直到你有足够的内存来存储N ^ 2距离）：

xyz = np.random.uniform(size=(1000,3))
distances = (sum([(xyzs[:,i][:,None]-xyzs[:,i][None,:])**2 for i in range(3)]))**.5

如何在numPy中执行此操作？

3 个答案: