Arrays 合并一维阵列列表的更快方法？

我有一个函数

distance

，它将一个自然数作为输入，并返回长度为199的一维数组。我的目标是合并所有数组

distance（0）

，…，

distance（499）

。我的代码如下：

import numpy as np 

np.random.seed(42)
n = 200
d = 500
sample = np.random.uniform(size = [n, d])

def distance(i):
    value = list(sample[i, 0:3])
    temp = value - sample[(i + 1):n, 0:3]
    return np.sqrt(np.sum(temp**2, axis = 1))

temp = [distance(i) for i in range(n - 1)]
result = [j for i in temp for j in i]

因为我使用大型

d

，所以我希望尽可能地优化。我想寻求一种更快的方法来合并这样的数组

---

非常感谢你

如果您只是试图计算成对距离：

from scipy.spatial.distance import cdist
dist = cdist(sample[:,:3], sample[:,:3])

当然，你会得到一个对称的数组，所有的两两距离。要获得

结果

，您可以执行以下操作：

result = dist[np.triu_indices(n,k=1)]

---

关于广播评论，

cdist

将做类似的事情：

dist = np.sum((sample[None,:,:3]-sample[:,None,:3])**2, axis=-1)**0.5

---

以下是每个系统的运行时间，以供参考：

%%timeit -n 100
temp = [distance(i) for i in range(n - 1)]
result = [j for i in temp for j in i]
6.41 ms ± 197 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%%timeit -n 100
temp = [distance(i) for i in range(n - 1)]
result = np.hstack(temp)
4.86 ms ± 295 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%%timeit -n 100
temp = [distance(i) for i in range(n - 1)]
result = np.concatenate(temp)
4.28 ms ± 175 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%%timeit -n 100
dist = np.sum((sample[None,:,:3]-sample[:,None,:3])**2, axis=-1)**0.5
result = dist[np.triu_indices(n,k=1)]
1.47 ms ± 61 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)


%%timeit -n 100
dist = cdist(sample[:,:3], sample[:,:3])
result = dist[np.triu_indices(n,k=1)]
415 µs ± 26.4 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

---

np.hstack（temp）

有帮助吗？@hpaulj

np.hstack（temp）

的语法更清晰，但它的速度与

[j代表i，temp代表j代表i]

大致相同。您是否在尝试计算成对距离？或者它只是一个模型示例？@hpaulj，因为

np.hstack

来自于包numpy，并进行了有效优化。我觉得很难再好了^^^@Quanghaang你说得很对。我试图计算超立方体中的成对距离。我很惊讶，即使我把代码简化了这么多，你还是算出了我的目标。哇哇哇，你的

scipy.space.distance

解决方案将总时间从

12.60349082967773

减少到

1.9831750392913818

。真是太棒了。你总是能想出优雅的解决方案。这太棒了。^^请问你如何为每个命令生成计时并获得这样的结果显示？@LAD

%%timeit

是Jupyter中的神奇命令。上面的每个块都是一个单独的单元格，有它的输出。非常感谢您的解释！