Julia中的聚类与距离计算

我有一个n个坐标点的集合（x，y，z）。它们存储在一个nx3矩阵M中

Julia中是否有内置函数来计算每个点与其他点之间的距离？我正在处理少量的点，因此计算时间并不太重要

我的总体目标是运行一个聚类算法，所以如果有一个聚类算法，我可以看看，不需要我首先计算这些距离，请建议太多。下面是我想对其执行集群的数据示例。显然，我只需要对z坐标做这个

---

要计算距离，请使用

距离

给定一个矩阵
X
，可以计算列之间的成对距离。这意味着您应该提供输入点（n个对象）作为矩阵的列。（在您的问题中，您提到了nx3矩阵，因此您必须使用
transpose（）
函数对其进行转置。）

下面是一个关于如何使用它的示例：

>using Distances  # install with Pkg.add("Distances")

>x = rand(3,2)

3x2 Array{Float64,2}:
 0.27436   0.589142
 0.234363  0.728687
 0.265896  0.455243

>pairwise(Euclidean(), x, x)

2x2 Array{Float64,2}:
 0.0       0.615871
 0.615871  0.0     

如您所见，上面返回了
X
列之间的距离矩阵。如果需要，您可以使用其他距离度量，只需检查文档中的包。
为了完整地回答@niczky12的问题，Julia中有一个名为的包，正如名称所示，它本质上允许您执行集群

示例
kmeans
算法：

>>> using Clustering         # Pkg.add("Clustering") if not installed

>>> X = rand(3, 100)         # data, each column is a sample
>>> k = 10                   # number of clusters

>>> r = kmeans(X, k)
>>> fieldnames(r)
8-element Array{Symbol,1}:
:centers    
:assignments
:costs      
:counts     
:cweights   
:totalcost  
:iterations 
:converged

结果存储在包含上述字段的kmeans（
r
）的返回中。两个可能最有趣的字段：
r.centers
包含kmeans算法检测到的中心，
r.assigments
包含100个样本中每个样本所属的集群

在同一个包中还有其他几种聚类方法。请随意深入阅读文档并应用最适合您需要的文档


在您的情况下，由于您的数据是一个
nx3
矩阵，您只需将其转置：

M = rand(100, 3)
kmeans(M', k)

有几种不同的聚类算法。你想运行什么样的集群？我有一个数据集，给出了两条独立悬挂电缆的（x，y，z）坐标。它们仅沿z轴（高度）不同。因此，我想基于z坐标进行聚类。但是，使用直线切割群集的群集不起作用，因为上悬链线的最低点可能低于下悬链线的最高点。我目前正在将悬链线拆分为小块，直线型集群可以工作，但这不是一个很好的解决方案。谢谢。现在，当我在另一个有更多数据的问题上尝试这个方法时，我得到了内存不足错误。知道如何在大量数据上计算距离矩阵吗？