python查询缺失值所在位置使用scipy_python – 使用缺失值计算scipy中的成对距离

我对

scipy.spatial.distance.pdist处理缺失(nan)值的方式感到有点困惑.

所以,万一我弄乱了矩阵的维度,让我们把它弄清楚.来自文档：

The points are arranged as m n-dimensional row vectors in the matrix X.

因此,让我们在10维空间中生成缺少值的三个点：

numpy.random.seed(123456789)

data = numpy.random.rand(3, 10) * 5

data[data < 1.0] = numpy.nan

如果我计算这三个观测值的欧几里德距离：

pdist(data, "euclidean")

我明白了：

array([ nan, nan, nan])

但是,如果我过滤掉所有缺少值的列,我会得到适当的距离值：

valid = [i for (i, col) in enumerate(data.T) if ~numpy.isnan(col).any()]

pdist(data[:, valid], "euclidean")

我明白了：

array([ 3.35518662, 2.35481185, 3.10323893])

这样,我丢弃了比我想要的更多的数据,因为我不需要过滤整个矩阵,而只需要一次比较一对矢量.我可以以某种方式使pdist或类似函数执行成对屏蔽吗？

编辑：

由于我的完整矩阵相当大,我对这里提供的小数据集进行了一些时序测试.

1.)scipy功能.

%timeit pdist(data, "euclidean")

10000 loops, best of 3: 24.4 µs per loop

2.)不幸的是,到目前为止提供的解决方案大约慢了10倍.

%timeit numpy.array([pdist(data[s][:, ~numpy.isnan(data[s]).any(axis=0)], "euclidean") for s in map(list, itertools.combinations(range(data.shape[0]), 2))]).ravel()

1000 loops, best of 3: 231 µs per loop

3.)然后我做了一个“纯粹的”Python测试,并感到惊喜：

from scipy.linalg import norm

%%timeit

m = data.shape[0]

dm = numpy.zeros(m * (m - 1) // 2, dtype=float)

mask = numpy.isfinite(data)

k = 0

for i in range(m - 1):

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

curr = numpy.logical_and(mask[i], mask[j])

u = data[i][curr]

v = data[j][curr]

dm[k] = norm(u - v)

k += 1

10000 loops, best of 3: 98.9 µs per loop

所以我认为前进的方法是在函数中Cython化上面的代码.