python vec_（1）Python之向量（Vector）距离矩阵计算

1.引言

距离矩阵是一个包含一组点两两距离的矩阵(即 二维数组)。因此给定

个欧几里得空间中的点，其距离矩阵就是一个非负实数作为元素的

的对称矩阵。在机器学习中距离矩阵都计算非常常见(只要涉及距离计算，基本都需要计算距离矩阵)，在本篇博客中就来记录一下如何使用Python都科学计算包numpy计算向量都距离矩阵。本篇博客讲解以行向量的欧氏距离为例讲解，但是同时给出了列向量的代码，距离矩阵的数学表达为：

给定

阶矩阵

，满足

中第

行向量是

维向量(注意这里是行向量)，使得：

2. 矩阵自身(行)向量之间的距离矩阵计算

这里提供4种方法，需要使用到以下Python库：

2.1第一种方法：简单使用两重循环

# 行向量

#[[1,2,3],

# [4,5,6]]

# 得到

#[[ 0, 5.196]

# [ 5.196, 0 ]]

def compute_squared_EDM_method(X):

# 获得矩阵都行和列，因为是行向量，因此一共有n个向量

n,m = X.shape

# 因为有n个向量，距离矩阵是n x n

D = np.zeros([n, n])

# 迭代求解向量的距离

for i in range(n):

for j in range(i+1, n):

# la.norm()求向量都范数，默认是2范数

D[i,j] = la.norm(X[i, :] - X[j, :])

D[j,i] = D[i,j]

return D

# 列向量

#[[1,2,3],

# [4,5,6]]

# 得到

#[[0, 1.414, 2.828]

# [1.414, 0, 1.414]

# [2.828, 1.414, 0 ]]

def compute_squared_EDM_method(X):

# 获得矩阵都行和列，因为是列向量，因此一共有m个向量

n,m = X.shape

# 因为有m个向量，距离矩阵是m x m

D = np.zeros([m, m])

# 迭代求解向量的距离

for i in range(m):

for j in range(i+1, m):

# la.norm()求向量都范数，默认是2范数(注意这里是列向量)

D[i,j] = la.norm(X[:, i] - X[:, j])

D[j,i] = D[i,j] #*1

return D

由于是计算矩阵自身向量之间的距离，所以结果是一个对称的三角矩阵。注意1行代码处所做的优化。在上述方法中我们使用了两层循环，因此代码虽不简洁，但十分易懂。

2.2 第二种方法：矩阵內积双重循环

在第一种方法中，我们使用了numpy的norm这个方法，这个方法从数学上讲，其计算公式是：

但是从另一方面来讲，我们可以先求点积运算，然后在进行求根运算：

上述运算可以使用点积(即矩阵内积)来计算：

# 这里是列向量

D[i,j] = np.sqrt(np.dot(X[:,i]-X[:,j],(X[:,i]-X[:,j]).T))

现在代码变化为：

# 行向量

#[[1,2,3],

# [4,5,6]]

# 得到

#[[ 0, 5.196]

# [ 5.196, 0 ]]

def compute_squared_EDM_method2(X):

# 获得矩阵都行和列，因为是行向量，因此一共有n个向量

n,m = X.shape

# 因为有n个向量，距离矩阵是n x n

D = np.zeros([n, n])

# 迭代求解向量的距离

for i in range(n):

for j in range(i+1, n):

# 因为是行向量，这里是行索引

d = X[i,:] - X[j,:]

# 向量內积运算,并进行求根

D[i,j] = np.sqrt(np.dot(d, d))

D[j,i] = D[i,j]

return D

# 列向量

#[[1,2,3],