Numpy 窗口上的距离矩阵（通过访问周围的帧）

我是scipy的新手，最近了解了

cdist

，我们可以通过自己的自定义函数来计算距离。但是，

cdist

仅计算单个点上的距离（因此，自定义函数必须计算两点之间的距离）。这适用于大多数情况，但在我的例子中，距离是计算一组点之间的距离。（您可以将其视为滑动窗口，例如大小为3的窗口）。举例说明：

def f(*a, **kw):
    print(a, kw)
    return 0

# Consider it a set of points: [p0, p1, p2, ...]
a = numpy.array([[1,2,3],[10,11,12],[20,21,22],[30,31,32]]) 

# Consider it a set of points: [q0, q1, q2, ...]
b = numpy.array([[4,5,6],[14,15,16],[24,25,26],[34,35,36],[44,45,46]])

现在，如果我简单地执行

scipy.space.distance.cdist（a，b，f）

，每次调用

f

，每个数组中只有一个条目被传递到

f

。因此，函数调用（和传递的值）类似于：

1st call: p0, q0
2nd call: p0, q1
3rd call: p0, q2
4th call: p0, q3
5th call: p0, q4 <-- 
6th call: p1, q0
7th call: p1, q1
...and so on...

第一次呼叫：p0，q0
第二次呼叫：p0，q1
第三次呼叫：p0，q2
第四次呼叫：p0，q3
第五次调用：p0，q4由于您想要计算所有距离，并且您正在使用一个自定义函数，因此使用
cdist
除了方便之外，可能没有什么好处

首先，你需要打开你的观点窗口，我建议使用
作为你的大步
：

import numpy as np
from numpy.lib.stride_tricks import as_strided

p = np.random.rand(4, 3)
q = np.random.rand(6, 3)
win = 3
win_p = as_strided(p, shape=(p.shape[0]-win+1, win)+p.shape[1:],
                   strides=p.strides[:1]*2+p.strides[1:])
win_q = as_strided(q, shape=(q.shape[0]-win+1, win)+q.shape[1:],
                   strides=q.strides[:1]*2+q.strides[1:])

现在：

>>> p
array([[ 0.8962062 ,  0.62471689,  0.1754708 ],
       [ 0.69104294,  0.66960955,  0.97012228],
       [ 0.32023353,  0.08146304,  0.7663883 ],
       [ 0.06276952,  0.1679428 ,  0.9419452 ]])
>>> win_p
array([[[ 0.8962062 ,  0.62471689,  0.1754708 ],
        [ 0.69104294,  0.66960955,  0.97012228],
        [ 0.32023353,  0.08146304,  0.7663883 ]],

       [[ 0.69104294,  0.66960955,  0.97012228],
        [ 0.32023353,  0.08146304,  0.7663883 ],
        [ 0.06276952,  0.1679428 ,  0.9419452 ]]])

从这里，您可以简单地执行显而易见的操作：

ps, qs = len(win_p), len(win_q)
dist = np.empty((ps, qs))
for j, pp in enumerate(win_p) :
    for k, qq in enumerate(win_q) :
        dist[j, k] = f(pp, qq)

正如我所说，如果您定义自己的距离函数，我认为这不会比
cdist
慢

根据距离函数的外观，您可以尝试对事物进行矢量化。这可能需要创建一个中间数组shape
（ps，win，3，qs，win，3）
，因此很可能需要大量内存。但是，请随意发布您对测量距离的想法，我很乐意看一看。
因为您想要计算所有距离，并且您使用的是自定义函数，所以使用
cdist
除了方便之外，可能没有什么好处

首先，你需要打开你的观点窗口，我建议使用
作为你的大步
：

import numpy as np
from numpy.lib.stride_tricks import as_strided

p = np.random.rand(4, 3)
q = np.random.rand(6, 3)
win = 3
win_p = as_strided(p, shape=(p.shape[0]-win+1, win)+p.shape[1:],
                   strides=p.strides[:1]*2+p.strides[1:])
win_q = as_strided(q, shape=(q.shape[0]-win+1, win)+q.shape[1:],
                   strides=q.strides[:1]*2+q.strides[1:])

现在：

>>> p
array([[ 0.8962062 ,  0.62471689,  0.1754708 ],
       [ 0.69104294,  0.66960955,  0.97012228],
       [ 0.32023353,  0.08146304,  0.7663883 ],
       [ 0.06276952,  0.1679428 ,  0.9419452 ]])
>>> win_p
array([[[ 0.8962062 ,  0.62471689,  0.1754708 ],
        [ 0.69104294,  0.66960955,  0.97012228],
        [ 0.32023353,  0.08146304,  0.7663883 ]],

       [[ 0.69104294,  0.66960955,  0.97012228],
        [ 0.32023353,  0.08146304,  0.7663883 ],
        [ 0.06276952,  0.1679428 ,  0.9419452 ]]])

从这里，您可以简单地执行显而易见的操作：

ps, qs = len(win_p), len(win_q)
dist = np.empty((ps, qs))
for j, pp in enumerate(win_p) :
    for k, qq in enumerate(win_q) :
        dist[j, k] = f(pp, qq)

正如我所说，如果您定义自己的距离函数，我认为这不会比
cdist
慢

根据距离函数的外观，您可以尝试对事物进行矢量化。这可能需要创建一个中间数组shape
（ps，win，3，qs，win，3）
，因此很可能需要大量内存。但是，请随意发布您对测量距离的想法，我很乐意看一看。
谢谢@Jamie，
as___
功能看起来很有趣！我想我在浏览文档时错过了它，但我会再次搜索它：）谢谢@Jamie，
as__crossed
功能看起来很有趣！我想我在浏览文档时错过了它，但我会再次搜索它：）