Numpy-为三维网格上的所有网格点查找到测试点的三维距离

我尝试了np.hypot（）和np.linalg.norm（），但它们都有一些问题（至少我是如何使用thm的）

我很确定np.hypot只能计算二维距离。如果我有一个测试点P（1,1,1）和一个网格点G（3,3,3），那么网格点G的返回值将类似于：（（3-1）^2+（3-1）^2）^（0.5）=2.82

我可以直接调用np.hypot，而不必通过网格点进行循环（我猜循环速度很慢，因此很糟糕），我得到了这些距离测试点的值，这些值在我的三维网格的所有网格点返回，但是没有计算z相关性（即d在（1,2,0）处）=d在（1,2,3）：

使用np.linalg.norm，我不知道如何在我的网格上的所有点上获得元素计算的返回值，传入的参数似乎是点a（网格点）和点B（测试点），但是除了如下循环之外，我想不出任何方法来计算所有网格点：

for i in x:
    for j in y:
        for k in z:
            #not mapped back to a gridpoint, do not know what to do
            d = np.linalg.norm(np.array([i,j,k])-point)

有人知道我如何在3d网格上找到所有网格点到测试点的真实3d距离吗？

简单地说：

d = np.sqrt((point[0]-xx)**2 + (point[1]-yy)**2 + (point[2]-zz)**2)

简单地说：

d = np.sqrt((point[0]-xx)**2 + (point[1]-yy)**2 + (point[2]-zz)**2)

---

下面是一个计算n维向量相互距离的简单函数：

def _distance2(v):
    nrm=np.sum(v**2,axis=0,keepdims=True)
    return nrm+nrm.T-2* v.T @ v

---

行是点，列是维度，因此在您的情况下，您可以将数据展平。您还可以使用一般的想法将其处理为数据所在的任何形式。

这里有一个简单的函数来计算n维向量的相互距离：

def _distance2(v):
    nrm=np.sum(v**2,axis=0,keepdims=True)
    return nrm+nrm.T-2* v.T @ v

---

行是点，列是维度，因此在您的例子中，您可以将数据展平。您也可以使用一般的想法将其处理为数据所在的任何形式。

只需使用

scipy.spatial.distance.cdist（points，[test_point]）

。只需使用

scipy.spatial.distance.cdist（points，[test_point]）

。