numpython：向量化距离函数，用于计算2矩阵的两两距离（m，3）

我有两个numpy数组A和B。A的形状是（m，3），B的形状是（n，3）

这些矩阵如下所示：

A
#output
array([[  9.227,  -4.698, -95.607],
   [ 10.294,  -4.659, -94.606],
   [ 11.184,  -5.906, -94.675],
   ...,
   [ 19.538, -91.572, -45.361],
   [ 20.001, -92.655, -45.009],
   [ 19.271, -92.726, -45.79 ]])

因此，它包含每一行的坐标x，y，z的三维点。B采用相同的格式

我有这个函数（np是numpy）：

我想用一个向量化函数来计算a和B之间的成对距离

我试试这个：

 v = np.vectorize(compute_dist)
 v(A, B)
 #output
 matrix([[37.442, 42.693, 72.705],
    [37.442, 42.693, 72.705],
    [37.442, 42.693, 72.705],
    ...,
    [37.442, 42.693, 72.705],
    [37.442, 42.693, 72.705],
    [37.442, 42.693, 72.705]])

即使我读了文件，我也不知道如何使用矢量化。如何计算包含a和B之间成对距离的矩阵？我知道有scipy.distance.cdist但是我想自己用np.vectorize来做

---

我不关心输出的格式（列表、数组、矩阵…）。最后，我只想找到最小距离

您可以使用

np.newaxis

扩展两个数组

A

和

B

的维度，以启用广播，然后进行计算

成对距离意味着应将

A（m，3）

中的每个点与

B（n，3）

中的每个点进行比较。这将导致距离矩阵

（m，n）

。 有了numpy，人们可以使用广播来实现想要的结果。 通过使用

A=A[：，np.newaxis，：]

和

B=B[np.newaxis，：，：]

生成的 形状分别是

A（m，1，3）

和

B（1，n，3）

。 如果随后自动执行类似于

C=a-B

numpy的计算 广播。这意味着您可以为B的所有n列获取a的所有m行的副本 以及a的所有m行的B的所有n列的副本

A（m，1，3）
-B（1，n，3）
--------------
=C（m，n，3）

要获得距离矩阵，可以使用

numpy.linalg.norm（）

：

将numpy导入为np
m=10
n=12
A=np.随机.随机（（m，3））
B=np.随机.随机（（n，3））
#在A的第二轴和B的第一轴上添加新轴
#形状：（m，n，3）=（m，1，3）-（1，n，3）
C=A[：，np.newaxis，：]-B[np.newaxis，：，：]
C=np.linalg.norm（C，轴=-1）
#形状：（m，n）

我不明白这对我有什么帮助。我想我错过了一些东西。你能解释一下我的想法吗？这不是一个使用

np.vectorize

的解决方案，而是

广播

。看一眼报纸可能会对你有所帮助。@Adam。这是合理的解释。你需要坐下来，一行一行地走过台阶。玩每一个操作直到你理解它。开始时这是一个痛苦的过程，但如果你想学习，这是绝对必要的。最后你需要一个

（n，m）

矩阵，其中

元素（i，j）

代表a的点i和B的点j之间的标量距离。作为中间结果，你有一个数组

（m，n，3）

其中

元素（i，j，：）

表示A的点i和B的点j之间的距离

向量
。@AdamBellaïche我答案中的最后一行
np.linalg.norm（C，轴=-1）
就是这样做的。如果你想自己计算，那没问题，但是你可以使用
np.sum（（A-B）**2，axis=2）来代替
apply\u over\u axis
。（记住python使用的是基于零的索引
）Vectorize并不是你想象的那样。你期望什么样的产出？MxN矩阵？@MadPhysician我不希望有任何特定的输出。通常的形式当然是矩阵。但在我的代码中，我试图得到所有距离的列表，我不一定指输出中的数字。我希望得到一个length=m*nIf的列表，你指的是数组（在python中它们是不同的），然后你应该投票并接受发布的答案。这几乎是一种规范的方式，也是对广播的一个很好的介绍。
 v = np.vectorize(compute_dist)
 v(A, B)
 #output
 matrix([[37.442, 42.693, 72.705],
    [37.442, 42.693, 72.705],
    [37.442, 42.693, 72.705],
    ...,
    [37.442, 42.693, 72.705],
    [37.442, 42.693, 72.705],
    [37.442, 42.693, 72.705]])