求矩阵各个元素两两之间的欧式距离（python实现）

最新推荐文章于 2022-09-19 15:50:41 发布

JJGuoo

最新推荐文章于 2022-09-19 15:50:41 发布

阅读量8.8k

点赞数

分类专栏：机器学习 Python

Python 同时被 2 个专栏收录

6 篇文章 0 订阅

订阅专栏

机器学习

3 篇文章 0 订阅

订阅专栏

本文转载自：http://blog.csdn.net/uwell_peng/article/details/49992759

在很多算法中都会涉及到求向量欧式距离，例如机器学习中的KNN算法，就需要对由训练集A和测试集B中的向量组成的所有有序对 $\left ( A_{i},B_{i} \right )$ ，求出 $A_{i}$ 和 $B_{i}$ 的欧式距离。如果一个二重的嵌套循环来实现，在向量集很大时效率不高。

这里介绍如何将这一过程用矩阵运算实现。

假设有两个三维向量集，用矩阵表示:

$A=\begin{bmatrix} a_{1}^{1} & a_{1}^{2} & a_{1}^{3}\\ a_{2}^{1} & a_{2}^{2} & a_{2}^{3} \end{bmatrix} ,B=\begin{bmatrix} b_{1}^{1} & b_{1}^{2} & b_{1}^{3}\\ b_{2}^{1} & b_{2}^{2} & b_{2}^{3}\\ b_{3}^{1} & b_{3}^{2} & b_{3}^{3} \end{bmatrix}$

要求A,B这两个矩阵中的元素两两之间的欧式距离。

先求出 $AB^{T}$ ：

$AB^{T}=\begin{bmatrix} \sum_{k=1}^{3}a_{1}^{k}b_{1}^{k} & \sum_{k=1}^{3}a_{1}^{k}b_{2}^{k} & \sum_{k=1}^{3}a_{1}^{k}b_{3}^{k}\\ \sum_{k=1}^{3}a_{2}^{k}b_{1}^{k} & \sum_{k=1}^{3}a_{2}^{k}b_{2}^{k} & \sum_{k=1}^{3}a_{2}^{k}b_{3}^{k} \end{bmatrix}$

然后对 $A$ 和 $B^{T}$ 分别求其中每个向量的模平方，并扩展为2*3矩阵：

$A_{sq}=\begin{bmatrix} \sum_{k=1}^{3}\left ( a_{1}^{k} \right )^{2} & \sum_{k=1}^{3}\left ( a_{1}^{k} \right )^{2} & \sum_{k=1}^{3}\left ( a_{1}^{k} \right )^{2}\\ \sum_{k=1}^{3}\left ( a_{2}^{k} \right )^{2} & \sum_{k=1}^{3}\left ( a_{2}^{k} \right )^{2} & \sum_{k=1}^{3}\left ( a_{2}^{k} \right )^{2} \end{bmatrix} , B_{sq}=\begin{bmatrix} \sum_{k=1}^{3}\left ( b_{1}^{k} \right )^{2} & \sum_{k=1}^{3}\left ( b_{2}^{k} \right )^{2} & \sum_{k=1}^{3}\left ( b_{3}^{k} \right )^{2}\\ \sum_{k=1}^{3}\left ( b_{1}^{k} \right )^{2} & \sum_{k=1}^{3}\left ( b_{2}^{k} \right )^{2} & \sum_{k=1}^{3}\left ( b_{3}^{k} \right )^{2} \end{bmatrix}$

然后：

$A_{sq}+B_{sq}-2AB^{T}=\begin{bmatrix} \sum_{k=1}^{3}\left ( a_{1}^{k}-b_{1}^{k} \right )^{2} & \sum_{k=1}^{3}\left ( a_{1}^{k}-b_{2}^{k} \right )^{2} & \sum_{k=1}^{3}\left ( a_{1}^{k}-b_{3}^{k} \right )^{2}\\ \sum_{k=1}^{3}\left ( a_{2}^{k}-b_{1}^{k} \right )^{2} & \sum_{k=1}^{3}\left ( a_{2}^{k}-b_{2}^{k} \right )^{2} & \sum_{k=1}^{3}\left ( a_{2}^{k}-b_{3}^{k} \right )^{2} \end{bmatrix}$

将上面这个矩阵一开方，就得到了A，B矩阵各个元素两两之间的欧式距离。

下面是Python实现：

import numpy

#输入的A,B为numpy.matrix格式
def EuclideanDistances(A, B):
    BT = B.transpose()
    vecProd = A * BT
    SqA =  A.getA()**2
    sumSqA = numpy.matrix(numpy.sum(SqA, axis=1))
    sumSqAEx = numpy.tile(sumSqA.transpose(), (1, vecProd.shape[1]))    
    SqB = B.getA()**2
    sumSqB = numpy.sum(SqB, axis=1)
    sumSqBEx = numpy.tile(sumSqB, (vecProd.shape[0], 1))    
    SqED = sumSqBEx + sumSqAEx - 2*vecProd   
    ED = (SqED.getA())**0.5
    return numpy.matrix(ED)

JJGuoo

关注

0
点赞
踩
7

收藏

觉得还不错? 一键收藏
0
评论
求矩阵各个元素两两之间的欧式距离（python实现）

本文转载自：http://blog.csdn.net/uwell_peng/article/details/49992759在很多算法中都会涉及到求向量欧式距离，例如机器学习中的KNN算法，就需要对由训练集A和测试集B中的向量组成的所有有序对，求出和的欧式距离。如果一个二重的嵌套循环来实现，在向量集很大时效率不高。这里介绍如何将这一过程用矩阵运算实现。假设有
复制链接

扫一扫