当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python SciPy distance.cdist用法及代码示例


本文简要介绍 python 语言中 scipy.spatial.distance.cdist 的用法。

用法:

scipy.spatial.distance.cdist(XA, XB, metric='euclidean', *, out=None, **kwargs)#

计算两个输入集合中每对之间的距离。

有关常见调用约定,请参阅注释。

参数

XA array_like

by 数组 维空间中的原始观测值。输入转换为浮点类型。

XB array_like

by 数组 维空间中的原始观测值。输入转换为浮点类型。

metric str 或可调用,可选

要使用的距离度量。如果是字符串,距离函数可以是‘braycurtis’, ‘canberra’, ‘chebyshev’, ‘cityblock’, ‘correlation’, ‘cosine’, ‘dice’, ‘euclidean’, ‘hamming’, ‘jaccard’, ‘jensenshannon’、‘kulczynski1’, ‘mahalanobis’、‘matching’, ‘minkowski’, ‘rogerstanimoto’, ‘russellrao’, ‘seuclidean’, ‘sokalmichener’, ‘sokalsneath’, ‘sqeuclidean’, ‘yule’。

**kwargs 字典,可选

指标的额外参数:请参阅每个指标文档以获取所有可能参数的列表。

一些可能的论点:

p:标量 p-norm 申请 Minkowski,加权和未加权。默认值:2。

w: 数组 支持权重的指标的权重向量(例如 Minkowski)。

V: 数组 标准化欧几里得的方差向量。默认值:var(vstack([XA, XB]), axis=0, ddof=1)

VI:数组 Mahalanobis 的协方差矩阵的逆矩阵。默认值:inv(cov(vstack([XA, XB].T))).T

out: ndarray 输出数组如果不是None,距离矩阵Y存储在这个数组中。

返回

Y ndarray

返回一个 by 距离矩阵。对于每个 ,度量 dist(u=XA[i], v=XB[j]) 被计算并存储在第 条目中。

抛出

ValueError

如果 XA 和 XB 的列数不同,则会引发异常。

注意

以下是常见的调用约定:

  1. Y = cdist(XA, XB, 'euclidean')

    使用欧几里德距离(2-范数)作为点之间的距离度量来计算 点之间的距离。这些点在矩阵 X 中排列为 维行向量。

  2. Y = cdist(XA, XB, 'minkowski', p=2.)

    使用 Minkowski 距离 ( -norm) 计算距离,其中 (请注意,如果 ,这只是 quasi-metric )。

  3. Y = cdist(XA, XB, 'cityblock')

    计算点之间的城市街区或曼哈顿距离。

  4. Y = cdist(XA, XB, 'seuclidean', V=None)

    计算标准化欧几里得距离。两个n-vectorsuv之间的标准化欧几里得距离是

    V是方差向量; V[i] 是对点的所有第 i 个分量计算的方差。如果未通过,则自动计算。

  5. Y = cdist(XA, XB, 'sqeuclidean')

    计算向量之间的平方欧几里得距离

  6. Y = cdist(XA, XB, 'cosine')

    计算向量 u 和 v 之间的余弦距离,

    其中 是其参数 * 的 2 范数,而 的点积。

  7. Y = cdist(XA, XB, 'correlation')

    计算向量 u 和 v 之间的相关距离。这是

    其中 是向量 v 的元素的平均值,而 的点积。

  8. Y = cdist(XA, XB, 'hamming')

    计算归一化的汉明距离,或两个不同意的 n-vectors uv 之间的向量元素的比例。为了节省内存,矩阵X 可以是布尔类型。

  9. Y = cdist(XA, XB, 'jaccard')

    计算点之间的 Jaccard 距离。给定两个向量 uv ,Jaccard 距离是那些不同意的元素的比例 u[i]v[i] 其中至少有一个是非零的。

  10. Y = cdist(XA, XB, 'jensenshannon')

    计算两个概率数组之间的Jensen-Shannon 距离。给定两个概率向量 ,Jensen-Shannon 距离为

    其中 的逐点均值, 是Kullback-Leibler 散度。

  11. Y = cdist(XA, XB, 'chebyshev')

    计算点之间的切比雪夫距离。两个n-vectors、uv之间的切比雪夫距离是它们各自元素之间的最大范数1距离。更准确地说,距离由下式给出

  12. Y = cdist(XA, XB, 'canberra')

    计算点之间的堪培拉距离。 uv 两点之间的堪培拉距离为

  13. Y = cdist(XA, XB, 'braycurtis')

    计算点之间的Bray-Curtis 距离。两点uv之间的Bray-Curtis距离为

  14. Y = cdist(XA, XB, 'mahalanobis', VI=None)

    计算点之间的马氏距离。 uv 两点之间的马氏距离为 ,其中 (VI 变量)是逆协方差。如果VI 不是None,则VI 将用作逆协方差矩阵。

  15. Y = cdist(XA, XB, 'yule')

    计算布尔向量之间的 Yule 距离。 (参见 yule 函数文档)

  16. Y = cdist(XA, XB, 'matching')

    ‘hamming’ 的同义词。

  17. Y = cdist(XA, XB, 'dice')

    计算布尔向量之间的骰子距离。 (参见 dice 函数文档)

  18. Y = cdist(XA, XB, 'kulczynski1')

    计算布尔向量之间的 kulczynski 距离。 (参见 kulczynski1 函数文档)

  19. Y = cdist(XA, XB, 'rogerstanimoto')

    计算布尔向量之间的Rogers-Tanimoto 距离。 (参见 rogerstanimoto 函数文档)

  20. Y = cdist(XA, XB, 'russellrao')

    计算布尔向量之间的Russell-Rao 距离。 (参见 russellrao 函数文档)

  21. Y = cdist(XA, XB, 'sokalmichener')

    计算布尔向量之间的Sokal-Michener 距离。 (参见 sokalmichener 函数文档)

  22. Y = cdist(XA, XB, 'sokalsneath')

    计算向量之间的Sokal-Sneath 距离。 (参见 sokalsneath 函数文档)

  23. Y = cdist(XA, XB, f)

    使用用户提供的 2 元函数 f 计算 X 中所有向量对之间的距离。例如,向量之间的欧几里得距离可以计算如下:

    dm = cdist(XA, XB, lambda u, v: np.sqrt(((u-v)**2).sum()))

    请注意,您应该避免传递对此库中定义的距离函数之一的引用。例如,:

    dm = cdist(XA, XB, sokalsneath)

    将使用 Python 函数 sokalsneath 计算 X 中向量之间的成对距离。这将导致 sokalsneath 被调用 次,这是低效的。相反,优化的 C 版本更加高效,我们使用以下语法来调用它:

    dm = cdist(XA, XB, 'sokalsneath')

例子

求四个二维坐标之间的欧几里得距离:

>>> from scipy.spatial import distance
>>> import numpy as np
>>> coords = [(35.0456, -85.2672),
...           (35.1174, -89.9711),
...           (35.9728, -83.9422),
...           (36.1667, -86.7833)]
>>> distance.cdist(coords, coords, 'euclidean')
array([[ 0.    ,  4.7044,  1.6172,  1.8856],
       [ 4.7044,  0.    ,  6.0893,  3.3561],
       [ 1.6172,  6.0893,  0.    ,  2.8477],
       [ 1.8856,  3.3561,  2.8477,  0.    ]])

求从 3-D 点到单位立方体角的曼哈顿距离:

>>> a = np.array([[0, 0, 0],
...               [0, 0, 1],
...               [0, 1, 0],
...               [0, 1, 1],
...               [1, 0, 0],
...               [1, 0, 1],
...               [1, 1, 0],
...               [1, 1, 1]])
>>> b = np.array([[ 0.1,  0.2,  0.4]])
>>> distance.cdist(a, b, 'cityblock')
array([[ 0.7],
       [ 0.9],
       [ 1.3],
       [ 1.5],
       [ 1.5],
       [ 1.7],
       [ 2.1],
       [ 2.3]])

相关用法


注:本文由纯净天空筛选整理自scipy.org大神的英文原创作品 scipy.spatial.distance.cdist。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。