Python 欧氏距离的矢量化实现

我试图计算欧几里德距离的矢量化实现（X和Y中的每个元素之间使用内积）。数据如下：

X = np.random.uniform(low=0, high=1, size=(10000, 5))
Y = np.random.uniform(low=0, high=1, size=(10000, 5))

我所做的是：

euclidean_distances_vectorized = np.array(np.sqrt(np.sum(X**2, axis=1) - 2 * np.dot(X, Y.T) + np.sum(Y**2, axis=1)))

虽然这提供了“一些输出”，但答案是错误的，因为每行仍然包含5个元素

---

有人知道我做错了什么吗？

如果我理解正确，应该这样做

np.linalg.norm(X - Y, axis=1)

或使用

einsum

（沿第一轴的每个差分对的点积的平方根）

如果你想要所有成对的距离

from scipy.spatial.distance import cdist

cdist(X, Y)

---

scipy.spatial.distance\u matrix

？@YakymPirozhenko，你是什么意思？@feijao

scipy

有一个函数，可以以矢量化的方式计算两个数组之间的成对欧氏距离。或者

np.sqrt（np.einsum（'ij，ij->i.，*2*（X-Y，））

所以你不需要计算

X-Y

两次。另外，

np.sqrt（ne.evaluate）（“（X-Y）**2“.总和（1））

使用

numexpr

@PaulPanzer的技巧似乎更快，但我不知道。虽然语法有点晦涩，解释器不应该在那里进行某种缓存吗？大多数时候，只需创建一个中间

D=X-Y；np.sqrt…

就可以了，但这个技巧对于

lambda

和一行程序很有用。你是缓存我不确定

X-Y

是否正式保证总是返回相同的答案，或者没有副作用，所以我不知道解释器是否可以信赖。哇，你们太棒了。谢谢。

from scipy.spatial.distance import cdist

cdist(X, Y)