Python 计算numpy行叉积上的欧氏距离？

我有两个numpy数组，带有

n

个坐标（每行两个项目）

coords_a=np.random.random（（20,2））
coords_b=np.random.random（（20,2））

现在，对于每一行的组合，我想计算一个函数，并将返回值保存为矩阵中的项。因此，生成的数组应该具有形状

（20,20）

，并且可以“延迟”计算，如下所示。作为示例函数，使用欧几里德距离

def euclidean_dist（x1:float，y1:float，x2:float，y2:float）->float:
“”“返回两点（x1，y1）和（x2，y2）之间的欧几里德距离。”
返回np.sqrt（np.square（x1-x2）+np.square（y1-y2））
矩阵=[]
对于协调中的a：
行=[]
对于coords_b中的b：
行追加（欧几里德分布（*a，*b））
矩阵追加（行）
矩阵=np.数组（矩阵）

可以想象，这个嵌套for循环非常耗时，只需2000个坐标对，耗时超过25秒。有没有一种推荐的方法来引导这种叉积

---

提前感谢。

对于您的具体示例，您可以执行以下操作：

from scipy.spatial.distance import cdist
cdist(coords_b,coords_a)

---

一般来说，矢量化取决于您的函数。

我想加上我的2美分，因为并非所有函数都已经在numpy或scipy中实现。一般来说，您可以使用来实现矢量化解决方案。 对于欧几里德距离的具体情况，请参见以下操作：

将numpy导入为np
#定义坐标数组
coords_a=np.random.random（（20,2））
coords_b=np.random.random（（20,2））
#扩大其规模
a=协调（a[：，无]
b=坐标b[无，无]
#使用广播计算成对差异
d=a-b
#应用欧氏距离公式
r=np.sqrt（np.sum（d**2，轴=-1））

就这种特定情况下的时间性能而言，

scipy.space.distance.cdist

要快得多，但并非所有功能都可用：

import numpy as np
from scipy.spatial.distance import cdist

a = np.random.random((10_000, 2))
b = np.random.random((10_000, 2))

euc_broadcast = lambda a,b: np.sqrt(np.sum(np.square(a[:, None]-b[None, :]), axis=-1))

%timeit euc_broadcast(a, b)
3.39 s ± 149 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

%timeit cdist(a, b)
603 ms ± 13.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

---

为什么你需要懒惰的计算？你能详细说明你的实际问题吗？你能做每列的计算吗？你们的数组有多大？“Lazy”指的是我下面的例子，因为它不是矢量化的。我的问题是，这种计算必须在几千个集合上进行，每个集合包含2000到5000个坐标。一个5000x5000（X4floats）的计算应该很容易用几乎任何系统进行矢量化计算。那么，您希望向量化的函数到底是什么？这取决于功能。例如，对于欧几里德距离，有内置函数。我认为矢量化实现取决于需要应用的函数。对于numpy中可用作ufunc的函数，我打赌在ufunc上取外积会快得多。但是，任何任意函数都不一定可以通过这种方式使用。