如果你只需要每个点对之间的距离,那么你不需要计算完整的距离矩阵。相反,直接计算即可:
import numpy as np
x = np.array([[[1,2,3,4,5],
[5,6,7,8,5],
[5,6,7,8,5]],
[[11,22,23,24,5],
[25,26,27,28,5],
[5,6,7,8,5]]])
y = np.array([[[31,32,33,34,5],
[35,36,37,38,5],
[5,6,7,8,5]],
[[41,42,43,44,5],
[45,46,47,48,5],
[5,6,7,8,5]]])
xx = x.reshape(2, -1)
yy = y.reshape(2, -1)
dist = np.hypot(*(xx - yy))
print dist
为了更详细地解释发生的情况,我们首先重塑数组的形状,使其具有2xN的形式(
-1
是一个占位符,告诉numpy自动计算该轴上的正确大小):
In [2]: x.reshape(2, -1)
Out[2]:
array([[ 1, 2, 3, 4, 5, 5, 6, 7, 8, 5, 5, 6, 7, 8, 5],
[11, 22, 23, 24, 5, 25, 26, 27, 28, 5, 5, 6, 7, 8, 5]])
因此,当我们从
xx
和
yy
中减去时,将得到一个2xN的数组:
In [3]: xx - yy
Out[3]:
array([[-30, -30, -30, -30, 0, -30, -30, -30, -30, 0, 0, 0, 0,
0, 0],
[-30, -20, -20, -20, 0, -20, -20, -20, -20, 0, 0, 0, 0,
0, 0]])
我们可以将其拆分为
dx
和
dy
两个组件:
In [4]: dx, dy = xx - yy
In [5]: dx
Out[5]:
array([-30, -30, -30, -30, 0, -30, -30, -30, -30, 0, 0, 0, 0,
0, 0])
In [6]: dy
Out[6]:
array([-30, -20, -20, -20, 0, -20, -20, -20, -20, 0, 0, 0, 0,
0, 0])
并计算距离(np.hypot
等同于np.sqrt(dx ** 2 + dy ** 2)
):
In [7]: np.hypot(dx, dy)
Out[7]:
array([ 42.42640687, 36.05551275, 36.05551275, 36.05551275,
0. , 36.05551275, 36.05551275, 36.05551275,
36.05551275, 0. , 0. , 0. ,
0. , 0. , 0. ])
或者我们可以自动完成解压缩,并在一步完成所有操作:
In [8]: np.hypot(*(xx - yy))
Out[8]:
array([ 42.42640687, 36.05551275, 36.05551275, 36.05551275,
0. , 36.05551275, 36.05551275, 36.05551275,
36.05551275, 0. , 0. , 0. ,
0. , 0. , 0. ])
如果你想计算其他类型的距离,只需将
np.hypot
更改为你想使用的函数。例如,曼哈顿/城市街区距离:
In [9]: dist = np.sum(np.abs(xx - yy), axis=0)
In [10]: dist
Out[10]: array([60, 50, 50, 50, 0, 50, 50, 50, 50, 0, 0, 0, 0, 0, 0])
pdist
和cdist
计算输入点的所有组合之间的距离。也就是说,它们将距离计算应用于输入集合的外积。没有相应的函数将距离计算应用于输入参数的内积(即您想要的成对计算)。对于任何给定的距离,您都可以“自己动手”,但这违背了拥有scipy.spatial.distance
模块的目的。 - Warren Weckesserscipy.spatial.distance
中的各个函数可以给定一个轴参数或类似的东西。这样就避免了使用apply_along_axis
的hack方法。看起来只需要对scipy.spatial.distance._validate_vector
进行一些微调即可。 - Joe Kington