Arrays 无for循环的阵列广播

我有密码

import numpy as np
import math

pos = np.array([[   1.72,   2.56],
                [   0.24,   5.67],
                [  -1.24,   5.45],
                [  -3.17,  -0.23],
                [   1.17,  -1.23],
                [   1.12,   1.08]])

ref = np.array([1.22, 1.18])

# Insert your solution below
d1 = math.sqrt((pos[0,0]-ref[0])**2 + (pos[0,1]-ref[1])**2)
d2 = math.sqrt((pos[1,0]-ref[0])**2 + (pos[1,1]-ref[1])**2)
d3 = math.sqrt((pos[2,0]-ref[0])**2 + (pos[2,1]-ref[1])**2)
d4 = math.sqrt((pos[3,0]-ref[0])**2 + (pos[3,1]-ref[1])**2)
d5 = math.sqrt((pos[4,0]-ref[0])**2 + (pos[4,1]-ref[1])**2)
d6 = math.sqrt((pos[5,0]-ref[0])**2 + (pos[5,1]-ref[1])**2)

预期的答案是

# [ 1.468,  4.596,  4.928 ,  4.611,  2.410,  0.141 ]

是否有可能使我的解决方案更加高效和简短，最好不使用for循环。

---

谢谢你：这和你的计算一样。Python的

math

模块是不需要的

np.sqrt(((pos - ref)**2).sum(1))

输出：

---

你的方程实际上是

pos

和

ref

之间的欧几里德距离。您可以使用

np.linalg.norm

dist_arr = np.linalg.norm(pos-ref, axis=1)

Out[14]:
array([1.46778745, 4.59570452, 4.9279306 , 4.61087844, 2.41051862,
       0.14142136])

---

哇，就一行代码！哇，非常感谢你，我对python还是很陌生：DDoes python提供向量还是SIMD？@xxh抱歉，我不知道SIMD是什么，所以无法回答你的问题，但显然是的？这个问题的答案是肯定的，“是的”，这意味着目前被接受的答案非常有效。@xxh-仅适用于

numpy

或类似的数字模块。@xxh-通常

numpy

使用库进行矢量化，速度足够快。但是缺少gpu支持和最新的算法优化。哇，我从来没有真正使用过np.linalg.norm。我以前没看过，但谢谢你让我知道。看起来我应该做一些研究：D

dist_arr = np.linalg.norm(pos-ref, axis=1)

Out[14]:
array([1.46778745, 4.59570452, 4.9279306 , 4.61087844, 2.41051862,
       0.14142136])