Python Numpy中坐标距离的矢量化

我试图通过矢量化来理解Numpy。我正试图找到最快的函数来实现它

def get_distances3(coordinates):
    return np.linalg.norm(
        coordinates[:, None, :] - coordinates[None, :, :],
        axis=-1)
coordinates = np.random.rand(1000, 3)
%timeit get_distances3(coordinates)

上述功能需要10个循环，每个循环的最佳时间为3:35.4毫秒。在numpy库中，还有一个np.vectorize选项可以执行此操作

def get_distances4(coordinates):
  return np.vectorize(coordinates[:, None, :] - coordinates[None, :, :],axis=-1)

%timeit get_distances4(coordinates)

我尝试了下面的np.vectorize，但最终出现了以下错误

TypeError:\uuuu init\uuuuuuuu（）获得意外的关键字参数“axis”

---

如何在get_Distance4中找到矢量化？我应该如何编辑lsat代码以避免错误？我从未使用过np.vectorize，因此可能缺少一些内容。

您没有正确调用

np.vectorize（）。我建议参考

Vectorize将编写用于对标量值进行操作的函数作为其参数，并将其转换为可根据Numpy广播规则对数组中的值进行矢量化的函数。它基本上类似于Numpy数组的花式
map（）

i、 e.正如您所知，Numpy已经有许多常用函数的内置矢量化版本，但是如果您有一些自定义函数，如“my_special_function（x）”，并且希望能够在Numpy数组上调用它，您可以使用
my_special_function\u ufunc=np.vectorize（my_special_function）

在上面的示例中，您可以将距离函数“矢量化”，如：

>>> norm = np.linalg.norm
>>> get_distance4 = np.vectorize(lambda a, b: norm(a - b))
>>> get_distance4(coordinates[:, None, :], coordinates[None, :, :])

但是，您会发现这是非常缓慢的：

>>> %timeit get_distance4(coordinates[:, None, :], coordinates[None, :, :])
1 loop, best of 3: 10.8 s per loop

这是因为您的第一个示例
get\u distance 3
已经在使用Numpy内置的这些操作的快速实现，而
np.vectorize
版本需要调用我定义了大约3000次的Python函数

事实上，根据文件：

提供矢量化功能主要是为了方便，而不是为了性能。该实现本质上是一个for循环

如果您想要一个可能更快的函数来转换向量之间的距离，您可以使用：

值得注意的是，这有一个不同的回报形式。它使用的不是1000x1000数组，而是压缩格式，不包括
i=j
条目和
i>j
条目。如果您希望，然后可以使用转换回方形矩阵格式。
您的第一个解决方案已经矢量化，不需要
np.vectorize（）
是否可以通过np.vectorize（）进行矢量化？如果是，怎么做？@enes也许你可以提供一个后续的例子。通过使用
np.vectorize（）
您的第一个示例还没有实现的目标是什么？
>>> %timeit get_distances3(coordinates)
10 loops, best of 3: 24.2 ms per loop
>>> %timeit distance.pdist(coordinates)
1000 loops, best of 3: 1.77 ms per loop