如何计算numpy数组的两行之间的欧氏距离

Question

我有一个 numpy 数组，例如：

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

我想计算每对行之间的 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]

[]

因为我必须运行将这段代码放在一个巨大的 numpy 数组上，所以有没有更好的 pythonic 方法来做到这一点？

Answer 1

就更多 "elegant" 而言，您始终可以使用 scikitlearn 成对欧氏距离：

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

具有与单个数组相同的输出。

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

我用了itertools.combinations和差向量的np.linalg.norm（这就是欧氏距离）：

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 中的示例：
combinations('ABCD', 2) 给出 AB AC AD BC BD CD。在您的例子中，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.

行中向量的差分向量

Answer 3

为了完整性，einsum 通常被引用用于距离计算。

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.        ]])

如何计算numpy数组的两行之间的欧氏距离

How to calculate euclidean distance between pair of rows of a numpy array

python

numpy

euclidean-distance