C++ 如何用eigen和C+实现matlab的pdist+；？

在Matlab中，

D=pdist（X，Y）

函数计算两组观测值X和Y之间的成对距离。例如，给定

X=randu（3，2），Y=randu（3，2）

，其中每行存储一个观测值（X，Y）。然后

pdist

返回一个[3 x 3]D矩阵，其中（i，j）项表示x中的第i个观测值和Y中的第j个观测值之间的距离

我想用C++的特征码来模仿这种行为。< /P> 我天真地使用for循环迭代X中的每个观测值，并计算X中的当前观测值和Y中的每个观测值之间的成对距离。结果是[1 X Y.rows]行向量，然后填充到D矩阵的第I行

我认为这个实现有点慢，因为for循环的两个迭代是独立的，矢量化技术可能会有所帮助

有人能告诉我一些信息来加快实施速度吗

---

我尝试使用Eigen的binaryExpr，但结果出乎意料。

根据您的解释，我已经实现了此功能（我假设您希望观察的数量是动态的，这应该适用于任何数量的观察N1、N2）：

#包括
#包括
常数int-oDims=2；
类型定义特征：：矩阵观测矩阵；
自动pdist（常数观测矩阵和X、常数观测矩阵和Y）
{
返回（X.replicate（1，Y.rows（））-Y.reformed（1，Y.rows（）*oDims）。replicate（X.rows（），1））
.重塑（X.行（）*Y.行（），oDims）
.rowwise（）.norm（）
.重塑（X.行（），Y.行（））；
}
int main（）{
观测矩阵X（3，oDims），Y（4，oDims）；
你说的结果出乎意料是什么意思？你是说你没有得到你想要的结果吗？这是pdist2。不管怎样，谢谢！
#include <Eigen/Dense>
#include <iostream>

const int oDims = 2;

typedef Eigen::Matrix<double, Eigen::Dynamic, oDims, Eigen::RowMajor> ObservationMatrix;

auto pdist(const ObservationMatrix& X, const ObservationMatrix& Y)
{
    return (X.replicate(1, Y.rows()) - Y.reshaped<Eigen::RowMajor>(1, Y.rows() * oDims).replicate(X.rows(), 1))
           .reshaped<Eigen::RowMajor>(X.rows() * Y.rows(), oDims)
           .rowwise().norm()
           .reshaped<Eigen::RowMajor>(X.rows(), Y.rows());
}

int main() {
    ObservationMatrix X(3, oDims), Y(4, oDims);

    X << 3, 2,
         4, 1,
         0, 5;

    Y << 10, 14,
         12, 17,
         16, 11,
         13, 18;

    Eigen::Matrix<double, Eigen::Dynamic, Eigen::Dynamic, Eigen::RowMajor> result = pdist(X, Y);

    std::cout << result << std::endl;

   return 0;
}