您也可以尝试使用 numpy.sqrt 和 numpy.square ,尽管两者都比我机器上的 math 替代品慢 .
我的测试是使用Python 2.6.6运行的 .
2
根据您的定义 a 和 b ,您还可以使用:
distance = np.sqrt(np.sum((a-b)**2))
0
import numpy as np
from scipy.spatial import distance
input_arr = np.array([[0,3,0],[2,0,0],[0,1,3],[0,1,2],[-1,0,1],[1,1,1]])
test_case = np.array([0,0,0])
dst=[]
for i in range(0,6):
temp = distance.euclidean(test_case,input_arr[i])
dst.append(temp)
print(dst)
101
您可以轻松使用该公式
distance = np.sqrt(np.sum(np.square(a-b)))
这实际上只不过是使用毕达哥拉斯定理来计算距离,通过加上Δx,Δy和Δz的平方并使结果生根 .
27
我在matplotlib.mlab中找到了'dist'函数,但我认为它不够方便 .
我在这里发帖仅供参考 .
import numpy as np
import matplotlib as plt
a = np.array([1, 2, 3])
b = np.array([2, 3, 4])
# Distance between a and b
dis = plt.mlab.dist(a, b)
a_min_b = a - b
numpy.sqrt(numpy.einsum('ij,ij->i', a_min_b, a_min_b))
计算 a 和 b 中行的距离最快 . 这实际上只适用于一行!
重现情节的代码:
import matplotlib
import numpy
import perfplot
from scipy.spatial import distance
def linalg_norm(data):
a, b = data
return numpy.linalg.norm(a-b, axis=1)
def sqrt_sum(data):
a, b = data
return numpy.sqrt(numpy.sum((a-b)**2, axis=1))
def scipy_distance(data):
a, b = data
return list(map(distance.euclidean, a, b))
def mpl_dist(data):
a, b = data
return list(map(matplotlib.mlab.dist, a, b))
def sqrt_einsum(data):
a, b = data
a_min_b = a - b
return numpy.sqrt(numpy.einsum('ij,ij->i', a_min_b, a_min_b))
perfplot.show(
setup=lambda n: numpy.random.rand(2, n, 3),
n_range=[2**k for k in range(20)],
kernels=[linalg_norm, scipy_distance, mpl_dist, sqrt_sum, sqrt_einsum],
logx=True,
logy=True,
xlabel='len(x), len(y)'
)
8
你可以减去向量然后减去内积 .
按照你的例子,
a = numpy.array((xa, ya, za))
b = numpy.array((xb, yb, zb))
tmp = a - b
sum_squared = numpy.dot(tmp.T, tmp)
result sqrt(sum_squared)
它代码简单,易于理解 .
5
它可以像下面这样完成 . 我不知道它有多快,但它没有使用NumPy .
from math import sqrt
a = (1, 2, 3) # Data point 1
b = (4, 5, 6) # Data point 2
print sqrt(sum( (a - b)**2 for a, b in zip(a, b)))
5
下面是Python中欧几里德距离的一些简洁代码,给出了在Python中表示为列表的两个点 .
def distance(v1,v2):
return sum([(x-y)**2 for (x,y) in zip(v1,v2)])**(0.5)
1
我喜欢np.dot(点积):
a = numpy.array((xa,ya,za))
b = numpy.array((xb,yb,zb))
distance = (np.dot(a-b,a-b))**.5
dist = root ( x^2 + y^2 + z^2 )
:.
dist^2 = x^2 + y^2 + z^2
and
sq(N) < sq(M) iff M > N
and
sq(N) > sq(M) iff N > M
and
sq(N) = sq(M) iff N == M
简而言之:直到我们实际需要以X为单位而不是X ^ 2的距离,我们才能消除计算中最难的部分 .
# Still naive, but much faster.
def distance_sq(left, right):
""" Returns the square of the distance between left and right. """
return (
((left.x - right.x) ** 2) +
((left.y - right.y) ** 2) +
((left.z - right.z) ** 2)
)
def sort_things_by_distance(origin, things):
return things.sort(key=lambda thing: distance_sq(origin, thing))
def in_range(origin, range, things):
things_in_range = []
# Remember that sqrt(N)**2 == N, so if we square
# range, we don't need to root the distances.
range_sq = range**2
for thing in things:
if distance_sq(origin, thing) <= range_sq:
things_in_range.append(thing)
def in_range_all_the_things(origin, range, things):
range_sq = range**2
for thing in things:
dist_sq = (origin.x - thing.x) ** 2
if dist_sq <= range_sq:
dist_sq += (origin.y - thing.y) ** 2
if dist_sq <= range_sq:
dist_sq += (origin.z - thing.z) ** 2
if dist_sq <= range_sq:
yield thing
这是否有用将取决于“事物”的大小 .
def in_range_all_the_things(origin, range, things):
range_sq = range**2
if len(things) >= 4096:
for thing in things:
dist_sq = (origin.x - thing.x) ** 2
if dist_sq <= range_sq:
dist_sq += (origin.y - thing.y) ** 2
if dist_sq <= range_sq:
dist_sq += (origin.z - thing.z) ** 2
if dist_sq <= range_sq:
yield thing
elif len(things) > 32:
for things in things:
dist_sq = (origin.x - thing.x) ** 2
if dist_sq <= range_sq:
dist_sq += (origin.y - thing.y) ** 2 + (origin.z - thing.z) ** 2
if dist_sq <= range_sq:
yield thing
else:
... just calculate distance and range-check it ...
再次,考虑产生dist_sq . 我们的热狗示例然后变成:
# Chaining generators
info = in_range_with_dist_sq(origin, walking_distance, hotdog_stands)
info = (stand, dist_sq**0.5 for stand, dist_sq in info)
for stand, dist in info:
print("%s %.2fm" % (stand, dist))
17 回答
使用numpy.linalg.norm:
计算多维空间的欧几里德距离:
那里's a function for that in SciPy. It'被称为Euclidean .
例:
一个漂亮的单行:
但是,如果速度是一个问题,我建议您在您的机器上进行试验 . 我发现在我的机器上使用
math
库的sqrt
和**
运算符比单行NumPy解决方案快得多 .我使用这个简单的程序运行测试:
在我的机器上,
math_calc_dist
的运行速度比numpy_calc_dist
快得多: 1.5 seconds 与 23.5 seconds 相比 .要在
fastest_calc_dist
和math_calc_dist
之间获得可衡量的差异,我必须将TOTAL_LOCATIONS
上升到6000.然后fastest_calc_dist
需要 ~50 seconds 而math_calc_dist
需要 ~60 seconds .您也可以尝试使用
numpy.sqrt
和numpy.square
,尽管两者都比我机器上的math
替代品慢 .我的测试是使用Python 2.6.6运行的 .
根据您的定义
a
和b
,您还可以使用:您可以轻松使用该公式
这实际上只不过是使用毕达哥拉斯定理来计算距离,通过加上Δx,Δy和Δz的平方并使结果生根 .
我在matplotlib.mlab中找到了'dist'函数,但我认为它不够方便 .
我在这里发帖仅供参考 .
对于有兴趣一次计算多个距离的人,我使用perfplot(我的一个小项目)进行了一些比较 . 事实证明
计算
a
和b
中行的距离最快 . 这实际上只适用于一行!重现情节的代码:
你可以减去向量然后减去内积 .
按照你的例子,
它代码简单,易于理解 .
它可以像下面这样完成 . 我不知道它有多快,但它没有使用NumPy .
下面是Python中欧几里德距离的一些简洁代码,给出了在Python中表示为列表的两个点 .
我喜欢np.dot(点积):
this problem solving method的另一个例子:
我想用各种性能说明来阐述简单的答案 . np.linalg.norm可能比你需要的更多:
首先 - 此功能旨在处理列表并返回所有值,例如比较从
pA
到点集sP
的距离:记住几件事:
Python函数调用很昂贵 .
[Regular] Python不缓存名称查找 .
所以
并不像看起来那么无辜 .
首先 - 每当我们调用它时,我们必须对"np"进行全局查找,对"linalg"进行范围查找,并对"norm"进行范围查找,仅调用该函数的开销可以等同于几十个python指令 .
最后,我们浪费了两个操作来存储结果并重新加载它以便返回...
第一步改进:使查找更快,跳过商店
我们得到了更加精简:
但是,函数调用开销仍然相当于一些工作 . 你会想做基准来确定你自己是否可以更好地做数学:
在某些平台上,
**0.5
比math.sqrt
快 . 你的旅费可能会改变 .****高级演奏说明 .
你为什么计算距离?如果唯一的目的是显示它,
向前走 . 但如果您要比较距离,进行范围检查等,我想添加一些有用的性能观察 .
我们来看两种情况:按距离排序或剔除列表到满足范围约束的项目 .
我们需要记住的第一件事是我们正在使用Pythagoras来计算距离(
dist = sqrt(x^2 + y^2 + z^2)
),因此我们正在进行大量的sqrt
调用 . 数学101:简而言之:直到我们实际需要以X为单位而不是X ^ 2的距离,我们才能消除计算中最难的部分 .
伟大的,这两个功能不再做任何昂贵的平方根 . 那会更快 . 我们还可以通过将in_range转换为生成器来改进in_range:
如果您正在执行以下操作,这尤其有益:
但如果你要做的下一件事需要距离,
考虑产生元组:
如果您可以链接范围检查('找到靠近X且在Nm内的东西',因为您不必再次计算距离),这可能特别有用 .
但是,如果我们正在搜索一个非常大的
things
和我们预计其中很多都不值得考虑?实际上有一个非常简单的优化:
这是否有用将取决于“事物”的大小 .
再次,考虑产生dist_sq . 我们的热狗示例然后变成:
首先找出两个矩阵的差异 . 然后,使用numpy的multiply命令应用元素乘法 . 之后,找到元素乘以新矩阵的总和 . 最后,找到求和的平方根 .