Python 有没有更好更快的方法在阈值下将Scipy压缩距离矩阵转换为Scipy稀疏距离矩阵

我试图计算n维点之间的欧几里德距离，然后得到距离低于设定阈值的所有点的稀疏距离矩阵

我已经有了一个有效的方法，但它太慢了。对于12000个3D点，大约需要8秒。程序的其余部分在一秒钟内运行，因此这是主要的瓶颈。这将运行数百次，因此改进此步骤将大大提高性能

这是我当前的实现

def make_sparse_dm(points: np.array, thresh):
    n = points.shape[0]
    distance_matrix = 
        spatial.distance.squareform(spatial.distance.pdist(points))   
        # pairwise_distances(points)
    [i, j] = np.meshgrid(np.arange(n), np.arange(n))
    points_under_thresh = distance_matrix <= thresh
    i = i[points_under_thresh]
    j = j[points_under_thresh]
    v = distance_matrix[points_under_thresh]
    return sparse.coo_matrix((v, (i, j)), shape=(n, n)).tocsr()

def make_sparse_dm（点：np.array，thresh）：
n=点。形状[0]
距离矩阵=
空间.distance.squareform（空间.distance.pdist（点））
#成对距离（点）
[i，j]=np.meshgrid（np.arange（n），np.arange（n））
_thresh=distance_矩阵下的points_我想知道
pdist
是大时间消费者，还是创建稀疏矩阵。@hpaulj从我的计时来看，它们大致相同，都需要大约4秒的时间
point_tree=space.cKDTree（points）；点树。稀疏距离矩阵（点树，thresh）。tocsr（）是写这篇文章的精辟方法，但它似乎比
make\u sparse\u dm
快。