如何用NumPy计算欧氏距离？
问题描述 投票：422回答：18
我在3D中有两点：
(xa, ya, za)
(xb, yb, zb)
我想计算距离：
dist = sqrt((xa-xb)^2 + (ya-yb)^2 + (za-zb)^2)
使用NumPy或Python的最佳方法是什么？我有：
a = numpy.array((xa ,ya, za))
b = numpy.array((xb, yb, zb))
18个回答
744
投票
投票
dist = numpy.linalg.norm(a-b)
6
投票
投票
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
5
投票
投票
在定义它们时使用a和b，您还可以使用：
distance = np.sqrt(np.sum((a-b)**2))
5
投票
投票
一个不错的单线程：
dist = numpy.linalg.norm(a-b)
但是，如果考虑到速度，我建议您在机器上进行试验。我发现在我的机器上使用math库的sqrt和**算子比使用单线NumPy解决方案要快得多。
我使用这个简单的程序运行我的测试：
#!/usr/bin/python
import math
import numpy
from random import uniform
def fastest_calc_dist(p1,p2):
return math.sqrt((p2[0] - p1[0]) ** 2 +
(p2[1] - p1[1]) ** 2 +
(p2[2] - p1[2]) ** 2)
def math_calc_dist(p1,p2):
return math.sqrt(math.pow((p2[0] - p1[0]), 2) +
math.pow((p2[1] - p1[1]), 2) +
math.pow((p2[2] - p1[2]), 2))
def numpy_calc_dist(p1,p2):
return numpy.linalg.norm(numpy.array(p1)-numpy.array(p2))
TOTAL_LOCATIONS = 1000
p1 = dict()
p2 = dict()
for i in range(0, TOTAL_LOCATIONS):
p1[i] = (uniform(0,1000),uniform(0,1000),uniform(0,1000))
p2[i] = (uniform(0,1000),uniform(0,1000),uniform(0,1000))
total_dist = 0
for i in range(0, TOTAL_LOCATIONS):
for j in range(0, TOTAL_LOCATIONS):
dist = fastest_calc_dist(p1[i], p2[j]) #change this line for testing
total_dist += dist
print total_dist
在我的机器上，math_calc_dist跑得比numpy_calc_dist快得多：1.5秒对23.5秒。
为了获得fastest_calc_dist和math_calc_dist之间可测量的差异，我必须将TOTAL_LOCATIONS提高到6000.然后fastest_calc_dist需要约50秒而math_calc_dist需要约60秒。
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。
3
投票
投票
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
投票
投票
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)
1
投票
投票
import math
dist = math.hypot(math.hypot(xa-xb, ya-yb), za-zb)
1
投票
投票
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。
1
投票
投票
计算多维空间的欧几里德距离：
import math
x = [1, 2, 6]
y = [-2, 3, 2]
dist = math.sqrt(sum([(xi-yi)**2 for xi,yi in zip(x, y)]))
5.0990195135927845
0
投票
投票
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，找到元素的总和乘以新矩阵。最后，找到求和的平方根。
def findEuclideanDistance(a, b):
euclidean_distance = a - b
euclidean_distance = np.sum(np.multiply(euclidean_distance, euclidean_distance))
euclidean_distance = np.sqrt(euclidean_distance)
return euclidean_distance
133
投票
投票
SciPy中有一个功能。它被称为Euclidean。
例：
from scipy.spatial import distance
a = (1, 2, 3)
b = (4, 5, 6)
dst = distance.euclidean(a, b)
86
投票
投票
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。
第一个建议是组织您的数据，使得数组具有维度(3, n)（并且显然是C连续的）。如果在连续的第一维中发生添加，事情会更快，如果你使用sqrt-sum与axis=0，linalg.norm与axis=0，或者
a_min_b = a - b
numpy.sqrt(numpy.einsum('ij,ij->j', a_min_b, a_min_b))
这是最快的变种。 （这实际上只适用于一行。）
你在第二轴上总结的变体axis=1都慢得多。
重现情节的代码：
import numpy
import perfplot
from scipy.spatial import distance
def linalg_norm(data):
a, b = data[0]
return numpy.linalg.norm(a - b, axis=1)
def linalg_norm_T(data):
a, b = data[1]
return numpy.linalg.norm(a - b, axis=0)
def sqrt_sum(data):
a, b = data[0]
return numpy.sqrt(numpy.sum((a - b) ** 2, axis=1))
def sqrt_sum_T(data):
a, b = data[1]
return numpy.sqrt(numpy.sum((a - b) ** 2, axis=0))
def scipy_distance(data):
a, b = data[0]
return list(map(distance.euclidean, a, b))
def sqrt_einsum(data):
a, b = data[0]
a_min_b = a - b
return numpy.sqrt(numpy.einsum("ij,ij->i", a_min_b, a_min_b))
def sqrt_einsum_T(data):
a, b = data[1]
a_min_b = a - b
return numpy.sqrt(numpy.einsum("ij,ij->j", a_min_b, a_min_b))
def setup(n):
a = numpy.random.rand(n, 3)
b = numpy.random.rand(n, 3)
out0 = numpy.array([a, b])
out1 = numpy.array([a.T, b.T])
return out0, out1
perfplot.save(
"norm.png",
setup=setup,
n_range=[2 ** k for k in range(22)],
kernels=[
linalg_norm,
linalg_norm_T,
scipy_distance,
sqrt_sum,
sqrt_sum_T,
sqrt_einsum,
sqrt_einsum_T,
],
logx=True,
logy=True,
xlabel="len(x), len(y)",
)
33
投票
投票
this problem solving method的另一个例子：
def dist(x,y):
return numpy.sqrt(numpy.sum((x-y)**2))
a = numpy.array((xa,ya,za))
b = numpy.array((xb,yb,zb))
dist_a_b = dist(a,b)
31
投票
投票
我想用各种性能说明来阐述简单的答案。 np.linalg.norm可能比您需要的更多：
dist = numpy.linalg.norm(a-b)
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sP的距离：
sP = set(points)
pA = point
distances = np.linalg.norm(sP - pA, ord=2, axis=1.) # 'distances' is a list
记住几件事：
- Python函数调用很昂贵。
- [Regular] Python不会缓存名称查找。
所以
def distance(pointA, pointB):
dist = np.linalg.norm(pointA - pointB)
return dist
并不像看起来那样无辜。
>>> dis.dis(distance)
2 0 LOAD_GLOBAL 0 (np)
2 LOAD_ATTR 1 (linalg)
4 LOAD_ATTR 2 (norm)
6 LOAD_FAST 0 (pointA)
8 LOAD_FAST 1 (pointB)
10 BINARY_SUBTRACT
12 CALL_FUNCTION 1
14 STORE_FAST 2 (dist)
3 16 LOAD_FAST 2 (dist)
18 RETURN_VALUE
首先 - 每次调用它时，我们必须对“np”进行全局查找，对“linalg”进行范围查找，对“norm”进行范围查找，仅调用函数的开销可以等同于几十个python说明。
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
def distance(pointA, pointB, _norm=np.linalg.norm):
return _norm(pointA - pointB)
我们得到了更加精简：
>>> dis.dis(distance)
2 0 LOAD_FAST 2 (_norm)
2 LOAD_FAST 0 (pointA)
4 LOAD_FAST 1 (pointB)
6 BINARY_SUBTRACT
8 CALL_FUNCTION 1
10 RETURN_VALUE
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：
def distance(pointA, pointB):
return (
((pointA.x - pointB.x) ** 2) +
((pointA.y - pointB.y) ** 2) +
((pointA.z - pointB.z) ** 2)
) ** 0.5 # fast sqrt
在某些平台上，**0.5比math.sqrt更快。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，
print("The target is %.2fm away" % (distance(a, b)))
向前走。但是，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。
# Ultra naive implementations. Hold onto your hat.
def sort_things_by_distance(origin, things):
return things.sort(key=lambda thing: distance(origin, thing))
def in_range(origin, range, things):
things_in_range = []
for thing in things:
if distance(origin, thing) <= range:
things_in_range.append(thing)
我们需要记住的第一件事是我们使用Pythagoras来计算距离（dist = sqrt(x^2 + y^2 + z^2)）所以我们正在进行大量的sqrt调用。数学101：
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：在我们实际需要以X为单位而不是X ^ 2的距离之前，我们可以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)
太棒了，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：
def in_range(origin, range, things):
range_sq = range**2
yield from (thing for thing in things
if distance_sq(origin, thing) <= range_sq)
如果您正在执行以下操作，这尤其有益：
if any(in_range(origin, max_dist, things)):
...
但如果你要做的下一件事需要距离，
for nearby in in_range(origin, walking_distance, hotdog_stands):
print("%s %.2fm" % (nearby.name, distance(origin, nearby)))
考虑产生元组：
def in_range_with_dist_sq(origin, range, things):
range_sq = range**2
for thing in things:
dist_sq = distance_sq(origin, thing)
if dist_sq <= range_sq: yield (thing, dist_sq)
如果您可能链接范围检查（'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列表，我们预计其中很多都不值得考虑呢？
实际上有一个非常简单的优化：
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，考虑让dist_sq产生。然后我们的热狗示例变为：
# 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))
9
投票
投票
它可以像下面这样完成。我不知道它有多快，但它不使用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)))
9
投票
投票
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)
7
投票
投票
6
投票
投票
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。
最新问题
- 在 Gtk 中创建表
- 我的教程爬虫不起作用，这是为什么
- 强制表单文本为小写
- 如何在Webots中的文件之间传递数据？
- CCXT - 加载交易所 OneTrading 的市场
- Spring Boot数据Jpa中如何保证数据准确性？
- 如何使用discord py 通信id 获取与公会外用户的个人通信
- Azure 与 Node.js：丢失和未经授权的资源
- 用户注册他已通过身份验证，但无法访问秘密页面，因此它始终将我重定向到登录页面
- 使用 Excel VLOOKUP 通过将行和结果与匹配的第一列相匹配来查找 MAX 和 MIN
- socket.io 客户端显示已连接为 true，但仍然不发送任何事件
- react-native-screens：compileDebugKotlin 错误
- 来自数据库的所有数据都应该强制通过实体来执行业务规则吗？
- C 中函数结果指针的初始化
- 查看wget的返回值
- DIV 像图像一样“包含”以保持缩放比例
- 当我执行 ngserve -o 时，出现未处理的异常：ts.createNodeArray 不是函数
- 快速搜索找到
- 绘制等值线图仅绘制数据框的最后一个元素
- Flutter 在发布模式下找不到“电话”，但在发布模式下前台正常，我在后台功能上添加了装饰器，但仍然不起作用
© www.soinside.com 2019 - 2024. All rights reserved.