如何有效地计算不同长度系列(内部na)之间的成对距离?

how to compute pairwise distance among series of different length (na inside) efficiently?

恢复这个问题Compute the pairwise distance in scipy with missing values

测试用例:我想计算组合在一起的不同长度系列的成对距离,我必须以最有效的方式(使用欧氏距离)进行计算。

使它起作用的一种方法可能是这样的:

import pandas as pd
import numpy as np
from scipy.spatial.distance import pdist

a = pd.DataFrame(np.random.rand(10, 4), columns=['a','b','c','d'])
a.loc[0, 'a'] = np.nan
a.loc[1, 'a'] = np.nan
a.loc[0, 'c'] = np.nan
a.loc[1, 'c'] = np.nan

def dropna_on_the_fly(x, y):
    return  np.sqrt(np.nansum(((x-y)**2)))

pdist(starting_set, dropna_on_the_fly)

但我觉得这可能非常低效,因为 pdist 函数的内置方法在内部进行了优化,而函数只是被传递过来。

我有一种预感 numpy 中的矢量化解决方案,为此我 broadcast 减法,然后我继续 np.nansum 以获得 na 阻力总和,但我我不确定如何进行。

受到的启发,会有两种解决方案。

方法#1:向量化的解决方案是-

ar = a.values
r,c = np.triu_indices(ar.shape[0],1)
out = np.sqrt(np.nansum((ar[r] - ar[c])**2,1))

方法 #2: 对于大型数组,内存效率更高且性能更高的方法是 -

ar = a.values
b = np.where(np.isnan(ar),0,ar)

mask = ~np.isnan(ar)
n = b.shape[0]
N = n*(n-1)//2
idx = np.concatenate(( [0], np.arange(n-1,0,-1).cumsum() ))
start, stop = idx[:-1], idx[1:]
out = np.empty((N),dtype=b.dtype)
for j,i in enumerate(range(n-1)):
    dif = b[i,None] - b[i+1:]
    mask_j = (mask[i] & mask[i+1:])
    masked_vals = mask_j * dif
    out[start[j]:stop[j]] = np.einsum('ij,ij->i',masked_vals, masked_vals)
      # or simply : ((mask_j * dif)**2).sum(1)

out = np.sqrt(out)