numpy广播以执行欧式距离矢量化
我有2 x 4和3 x 4的矩阵。我想找到各行之间的欧几里得距离，并在最后得到2 x
3的矩阵。这是一个带for循环的代码，它针对所有b行向量计算a中每个行向量的欧式距离。在不使用for循环的情况下该如何做？
import numpy as np
a = np.array([[1,1,1,1],[2,2,2,2]])
b = np.array([[1,2,3,4],[1,1,1,1],[1,2,1,9]])
dists = np.zeros((2, 3))
for i in range(2):
dists[i] = np.sqrt(np.sum(np.square(a[i] - b), axis=1))
问题答案：
只需np.newaxis在正确的位置使用：
np.sqrt((np.square(a[:,np.newaxis]-b).sum(axis=2)))
-
我试图将X Y Z变量的数组或列表传递给计算欧几里德距离的方法。 这是我的方法： 这是我的主要代码： 输出为：1.7782794。。应该是10的时候。有什么想法吗？
-
问题内容： 我在3D中有两点： 我想计算距离： 使用NumPy或一般使用Python的最佳方法是什么？我有： 问题答案： 用途 背后的理论：如数据挖掘导论所述 之所以有效，是因为欧几里得距离为l2范数，并且 中ord参数的默认值为2。
-
问题内容： 我在python中有numpy数组，其中包含很多（10k +）3D顶点（坐标为[x，y，z]的向量）。我需要计算这些点所有可能的对之间的距离。 使用scipy很容易： 但是由于引入新依赖项的项目政策，我无法使用它。 所以我想出了这个天真的代码： vert_dist（）计算两个顶点之间的3D距离，其余代码仅对1D数组中的顶点进行迭代，并且对于每个顶点，它都计算同一数组中彼此之间的距离并生
-
NumPy 中的广播机制（Broadcast）旨在解决不同形状数组之间的算术运算问题。我们知道，如果进行运算的两个数组形状完全相同，它们直接可以做相应的运算。示例如下： 输出结果如下： [ 1. 4. 9. 16.] 但如果两个形状不同的数组呢？它们之间就不能做算术运算了吗？当然不是！为了保持数组形状相同，NumPy 设计了一种广播机制，这种 机制的核心是对形状较小的数组，在横向或纵向上进行一
-
问题内容： 我在二维空间中有一组点，需要计算每个点到另一个点的距离。 我的点数相对较少，最多不超过100个。但是，由于我需要经常快速地确定这些移动点之间的关系，并且因为我知道遍历这些点可能同样糟糕由于O（n ^ 2）的复杂性，我正在寻找利用numpy矩阵魔术（或scipy）的方法。 就象我的代码中所说的那样，每个对象的坐标都存储在其类中。但是，当我更新类坐标时，也可以用numpy数组更新它们。 我
-
> 将图像重塑为一对列向量和行向量： 计算度量矩阵G，其条目由公式给出 其中，r是一个从0到20变化的全局参数，d是像素i和像素j之间的距离。E、 例如，如果像素i是（k，l），像素j是（k1，l1），则d=sqrt（（k-k1）^2（l-l1）^2） 。像素1将是（1,1），像素2将是（1,2），依此类推。因此，矩阵G的大小将为1638400×1638400。 计算两个图像之间的最终（标量）欧几