周期性检测dtw与欧氏距离的区别

from dtaidistance import dtw
import numpy as np
x1 = np.array([1.0, 0, 0, 0, 1, 0, 0, 1, 0, 0])
y1 = np.array([1.0, 0, 0, 0, 1, 0, 0, 1, 0, 0])
y2 = np.array([1.0, 0, 0, 1, 0, 0, 0, 1, 0, 0])
y3 = np.array([1.0, 0, 0, 1, 0, 0, 1, 0, 0, 0])
y4 = np.array([1.0, 0, 1, 0, 0, 0, 0, 0, 1, 0])
# 与欧氏距离差异:
print('Window=1与欧氏距离效果等同:')
print(f'x:{x1}, \ny:{y1}')
print('欧氏距离', np.sqrt(sum(np.power(x1 - y1, 2))))
print('window=1', dtw.distance_fast(x1, y1, window=1), '\n')

print(f'x:{x1}, \ny:{y2}')
print('欧氏距离', np.sqrt(sum(np.power(x1 - y2, 2))))
print('dtw=1', dtw.distance_fast(x1, y2, window=1))
print('dtw=2', dtw.distance_fast(x1, y2, window=2), '\n')

print(f'x:{x1}, \ny:{y3}')
print('欧氏距离', np.sqrt(sum(np.power(x1 - y3, 2))))
print('dtw=1', dtw.distance_fast(x1, y3, window=1))
print('dtw=2', dtw.distance_fast(x1, y3, window=2), '\n')

print(f'x:{x1}, \ny:{y4}')
print('欧氏距离', np.sqrt(sum(np.power(x1 - y4, 2))))
print('dtw=1', dtw.distance_fast(x1, y4, window=1))
print('dtw=2', dtw.distance_fast(x1, y4, window=2))
print('dtw=3', dtw.distance_fast(x1, y4, window=3), '\n')

Window=1与欧氏距离效果等同:
x:[1. 0. 0. 0. 1. 0. 0. 1. 0. 0.], 
y:[1. 0. 0. 0. 1. 0. 0. 1. 0. 0.]
欧氏距离 0.0
window=1 0.0 

x:[1. 0. 0. 0. 1. 0. 0. 1. 0. 0.], 
y:[1. 0. 0. 1. 0. 0. 0. 1. 0. 0.]
欧氏距离 1.4142135623730951
dtw=1 1.4142135623730951
dtw=2 0.0 

x:[1. 0. 0. 0. 1. 0. 0. 1. 0. 0.], 
y:[1. 0. 0. 1. 0. 0. 1. 0. 0. 0.]
欧氏距离 2.0
dtw=1 2.0
dtw=2 0.0 

x:[1. 0. 0. 0. 1. 0. 0. 1. 0. 0.], 
y:[1. 0. 1. 0. 0. 0. 0. 0. 1. 0.]
欧氏距离 2.0
dtw=1 2.0
dtw=2 1.4142135623730951
dtw=3 0.0 

结论：

1、本质是元素可以跟相邻位置(由window参数控制偏移量)的数据进行比较，然后再通过欧氏距离进行计算，最后取最小的值，所有的元素都要参与计算，然后取到最小值参与最后结果的汇总。

2、注意事项：计算不能交叉，比如说x =【1，0，1，0】，y = 【1，0，0，1】，比如说最后x一个元素0，计算游标为3，就只能跟y的最后一个元素计算，因为当前y计算游标是3，即最后一个元素；计算时不能往前看，不能存在交叉。如下图所示（黄色线条不能有交叉）：

3、window参数的意义如下：