Python 用于迭代的嵌套for循环

我写了一些代码，现在我想迭代这些代码，应用数据集。但我得到了同样的结果

为什么我会得到同样的结果

matrix = np.zeros((106, 106))

for k in result:
    p = result[0]
    for j in result:
        q = result[1]
        matrix[result.index(k), result.index(j)] = frdist(p, q)
print(matrix)

更新： 递归错误发生在这个部分。无法更改，因为它是的基本部分。有什么想法吗

[[0.13215994 0.13215994 0.13215994 ... 0.13215994 0.13215994 0.13215994]
 [0.13215994 0.13215994 0.13215994 ... 0.13215994 0.13215994 0.13215994]
 [0.13215994 0.13215994 0.13215994 ... 0.13215994 0.13215994 0.13215994]
 ...
 [0.13215994 0.13215994 0.13215994 ... 0.13215994 0.13215994 0.13215994]
 [0.13215994 0.13215994 0.13215994 ... 0.13215994 0.13215994 0.13215994]
 [0.13215994 0.13215994 0.13215994 ... 0.13215994 0.13215994 0.13215994]]

你想要

---

您正在对结果进行循环，但是

p

和

q

在每次迭代时都被设置为相同的值（分别为结果[0]和结果[1]），因此每次都计算相同的值。我想你指的是结果中的p的

：结果中的q的
我猜你指的是
frdist（I，j）
@ALollz现在我的矩阵是0，除了行的第二个数字是0.13215994谢谢。它适用于小数据。所以我接受了答案。但在我的例子中，我得到了
递归错误：相比之下，超过了最大递归深度
@Mamed你认为有多大？我的意思是，这是二次增长的，所以在某一点上，这在时间上会有问题。但是您仍然确定在
frdist（p，q）
中没有导致错误的递归（可能是一些从未发生过的检查）？一个简单的玩具例子，制作一个10K x 10K矩阵对我很有用
__all__ = ['frdist']


def _c(ca, i, j, p, q):

    if ca[i, j] > -1:
        return ca[i, j]
    elif i == 0 and j == 0:
        ca[i, j] = np.linalg.norm(p[i]-q[j])
    elif i > 0 and j == 0:
        ca[i, j] = max(_c(ca, i-1, 0, p, q), np.linalg.norm(p[i]-q[j]))
    elif i == 0 and j > 0:
        ca[i, j] = max(_c(ca, 0, j-1, p, q), np.linalg.norm(p[i]-q[j]))
    elif i > 0 and j > 0:
        ca[i, j] = max(
            min(
                _c(ca, i-1, j, p, q),
                _c(ca, i-1, j-1, p, q),
                _c(ca, i, j-1, p, q)
            ),
            np.linalg.norm(p[i]-q[j])
            )
    else:
        ca[i, j] = float('inf')

    return ca[i, j]

for k, p in enumerate(result):
    for j, q in enumerate(result):
        matrix[k, j] = frdist(p, q)