两个不同的Numpy数组中的点之间的最小欧几里得距离，不在

小编典典

两个不同的Numpy数组中的点之间的最小欧几里得距离，不在

python

我有两个 x - y 坐标数组，我想找到一个数组中每个点与另一个数组中所有点之间的最小欧几里得距离。数组的大小不一定相同。例如：

xy1=numpy.array(
[[  243,  3173],
[  525,  2997]])

xy2=numpy.array(
[[ 682, 2644],
[ 277, 2651],
[ 396, 2640]])

我当前的方法遍历每个坐标xy，xy1并计算该坐标与其他坐标之间的距离。

mindist=numpy.zeros(len(xy1))
minid=numpy.zeros(len(xy1))

for i,xy in enumerate(xy1):
    dists=numpy.sqrt(numpy.sum((xy-xy2)**2,axis=1))
    mindist[i],minid[i]=dists.min(),dists.argmin()

有没有一种方法可以消除for循环，并以某种方式在两个数组之间进行逐元素计算？我设想生成一个距离矩阵，为此我可以找到每一行或每一列中的最小元素。

看问题的另一种方法。假设我将xy1（length m ）和xy2（length p ）串联为xy（length n
），并存储原始数组的长度。从理论上讲，我应该能够从这些坐标中生成一个 nxn 距离矩阵，从中可以获取 mxp
子矩阵。有没有一种方法可以有效地生成此子矩阵？

阅读 219

2020-12-20

共1个答案

小编典典

（数月后） scipy.spatial.distance.cdist( X, Y ) 给出了X和Y的所有距离对，2个暗角，3个暗角……
它也有22个不同的范数，在此处详细介绍
。

# cdist example: (nx,dim) (ny,dim) -> (nx,ny)

from __future__ import division
import sys
import numpy as np
from scipy.spatial.distance import cdist

#...............................................................................
dim = 10
nx = 1000
ny = 100
metric = "euclidean"
seed = 1

    # change these params in sh or ipython: run this.py dim=3 ...
for arg in sys.argv[1:]:
    exec( arg )
np.random.seed(seed)
np.set_printoptions( 2, threshold=100, edgeitems=10, suppress=True )

title = "%s  dim %d  nx %d  ny %d  metric %s" % (
        __file__, dim, nx, ny, metric )
print "\n", title

#...............................................................................
X = np.random.uniform( 0, 1, size=(nx,dim) )
Y = np.random.uniform( 0, 1, size=(ny,dim) )
dist = cdist( X, Y, metric=metric )  # -> (nx, ny) distances
#...............................................................................

print "scipy.spatial.distance.cdist: X %s Y %s -> %s" % (
        X.shape, Y.shape, dist.shape )
print "dist average %.3g +- %.2g" % (dist.mean(), dist.std())
print "check: dist[0,3] %.3g == cdist( [X[0]], [Y[3]] ) %.3g" % (
        dist[0,3], cdist( [X[0]], [Y[3]] ))


# (trivia: how do pairwise distances between uniform-random points in the unit cube
# depend on the metric ? With the right scaling, not much at all:
# L1 / dim      ~ .33 +- .2/sqrt dim
# L2 / sqrt dim ~ .4 +- .2/sqrt dim
# Lmax / 2      ~ .4 +- .2/sqrt dim

2020-12-20