测量5D数据集之间的距离
Measure distance between data set of 5D
我想测量 5 维数据集之间的距离(欧几里得)。
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...
index,然后是点(center),第三个是另一个点(x),所有的点都是5D的。
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索引以及它不应该包含的索引。
我的代码是:(S就是上面的格式)
S = pd.DataFrame(paired_data, columns=['x','center'])
print (S.to_string())
Y = pdist(S[1:], 'euclidean')
print Y
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,创建矩阵不是必需的,pdist
可以很好地处理 python 个列表列表:
for row in S.iterrows():
print pdist([row[1]['x'], row[1]['center']], 'euclidean')
我想测量 5 维数据集之间的距离(欧几里得)。 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...
index,然后是点(center),第三个是另一个点(x),所有的点都是5D的。 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索引以及它不应该包含的索引。
我的代码是:(S就是上面的格式)
S = pd.DataFrame(paired_data, columns=['x','center'])
print (S.to_string())
Y = pdist(S[1:], 'euclidean')
print Y
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,创建矩阵不是必需的,pdist
可以很好地处理 python 个列表列表:
for row in S.iterrows():
print pdist([row[1]['x'], row[1]['center']], 'euclidean')