Numpy 具有类矩阵输出的一维阵列上的成对计算

假设您拥有以下1D阵列：

数组（[1,2,3,4,5]）

我希望在每个数字组合（如加法、减法等）之间执行不同（简单）的计算，从而产生矩阵类型的输出（无重复），即对于上述数组，如果我们想要计算两两差，则输出应如下所示：

array([0,-,-,-,-],            
      [1,0,-,-,-],
      [2,1,0,-,-],
      [3,2,1,0,-],
      [4,3,2,1,0]) 

---

当然，可以使用蛮力和两个for循环，但我觉得有更好的方法，我似乎找不到正确的方法。

利用numpy广播来计算成对差异。这样就不需要循环了。为此，必须在同一数组的行向量和列向量之间执行该操作

import numpy as np
x = np.arange(1,6, dtype=np.float)

# x[:,None] adds a second axis to the array
mat = x[:,None]-x

这将产生：

array([[ 0., -1., -2., -3., -4.],
       [ 1.,  0., -1., -2., -3.],
       [ 2.,  1.,  0., -1., -2.],
       [ 3.,  2.,  1.,  0., -1.],
       [ 4.,  3.,  2.,  1.,  0.]])

---

利用numpy广播计算成对差异。这样就不需要循环了。为此，必须在同一数组的行向量和列向量之间执行该操作

import numpy as np
x = np.arange(1,6, dtype=np.float)

# x[:,None] adds a second axis to the array
mat = x[:,None]-x

这将产生：

array([[ 0., -1., -2., -3., -4.],
       [ 1.,  0., -1., -2., -3.],
       [ 2.,  1.,  0., -1., -2.],
       [ 3.,  2.,  1.,  0., -1.],
       [ 4.,  3.,  2.,  1.,  0.]])

---

对于任何感兴趣的人，我设法利用scikit learn的成对距离找到了一个解决方案。默认情况下，这将只计算任意对之间的绝对距离，但可以提供一个自定义函数，该函数接受两个参数，即一对中的两个数字，以便进行更详细的计算。对于1D阵列，需要进行轻微的整形

from sklearn.metrics import pairwise_distances

def custom_calc(x,y):
    return (y-x)

a = np.array([1,2,3,4,5])
matrix = pairwise_distances(a.reshape(-1,1), metric=custom_calc)

矩阵

如下所示：

array([[0., 1., 2., 3., 4.],
       [1., 0., 1., 2., 3.],
       [2., 1., 0., 1., 2.],
       [3., 2., 1., 0., 1.],
       [4., 3., 2., 1., 0.]])

---

对于任何感兴趣的人，我设法利用scikit learn的成对距离找到了一个解决方案。默认情况下，这将只计算任意对之间的绝对距离，但可以提供一个自定义函数，该函数接受两个参数，即一对中的两个数字，以便进行更详细的计算。对于1D阵列，需要进行轻微的整形

from sklearn.metrics import pairwise_distances

def custom_calc(x,y):
    return (y-x)

a = np.array([1,2,3,4,5])
matrix = pairwise_distances(a.reshape(-1,1), metric=custom_calc)

矩阵

如下所示：

array([[0., 1., 2., 3., 4.],
       [1., 0., 1., 2., 3.],
       [2., 1., 0., 1., 2.],
       [3., 2., 1., 0., 1.],
       [4., 3., 2., 1., 0.]])

---

那么，对于矩阵输出，在上对角线位置必须填写什么？那么，对于矩阵输出，在上对角线位置必须填写什么？谢谢。但是，矩阵应该是对称的，因此对角线的右侧也应该是正的。您可以对结果数组调用

np.abs

。是的，但我希望它在对角线的两侧都输出实际结果。可能会有混合的迹象，这是当它变得棘手。谢谢。但是，矩阵应该是对称的，因此对角线的右侧也应该是正的。您可以对结果数组调用

np.abs

。是的，但我希望它在对角线的两侧都输出实际结果。当事情变得棘手时，可能会出现各种各样的迹象。