行向量矩阵间python-numpy欧氏距离计算

我是Numpy新手，我想问你们如何计算存储在向量中的点之间的欧几里德距离

假设我们有一个numpy.array，每行是一个向量和一个numpy.array。我想知道是否有可能计算所有点和这个点之间的欧几里德距离，并将它们存储在一个numpy.array中

以下是一个界面：

points #2d list of row-vectors
singlePoint #one row-vector

listOfDistances= procedure( points,singlePoint)

我们能吃点像这样的吗？ 或者有没有可能用一个命令将单个点作为其他点的列表，最后我们得到一个距离矩阵

---

谢谢

要将函数应用于numpy数组的每个元素，请尝试

要进行实际计算，我们需要两个向量中的坐标对之间差平方和的平方根

我们可以使用

zip

对坐标进行配对，使用

sum

对结果进行综合。这看起来像：

sum((x - y) ** 2 for (x, y) in zip(singlePoint, pointFromArray)) ** 0.5

---

虽然您可以使用矢量化，@Karl的方法在numpy数组中会相当缓慢

更简单的方法是只做

np.hypot（*（点-单点）.T）

。（转置假定点是Nx2数组，而不是2xN。如果是2xN，则不需要

.t

但是，这有点不可读，所以您可以更明确地这样写出来（使用一些固定的示例数据…）：

---

要获得距离，可以使用numpy中linalg模块的norm方法：

np.linalg.norm(x - y)

---

虽然您想计算一个点和一组点之间的距离，但我认为scipy.spatial.distance.cdist仍然有效。您有两个集合，其中一个只有1个元素。@JimRaynor+1正是我所需要的：）这与上面的相同，但在一行中这应该是正确的答案，您还可以使用axis参数（取决于你想做什么）X是你的N*2向量y是你的点即使这样做了，你最好使用现有的函数，如np.linalg.norm（X-y，axis=1）或distance.euclidean或cdist。要在上面示例的上下文中扩展@VadimKirilchuk的注释：

np.linalg.norm（points-single_point，axis=1）

虽然此代码片段可能会解决问题，但确实有助于提高您的文章质量。请记住，您是在为将来的读者回答问题，而这些人可能不知道您提出代码建议的原因。

import numpy as np
def distance(v1, v2):
    return np.sqrt(np.sum((v1 - v2) ** 2))    

np.linalg.norm(x - y)

import numpy as np
single_point = [3, 4]
points = np.arange(20).reshape((10,2))   
distance = euclid_dist(single_point,points)

def euclid_dist(t1, t2):
    return np.sqrt(((t1-t2)**2).sum(axis = 1))