scipy中的计算距离的方法

scipy中的spatial中有个distance包，可以很方便地用来计算距离

distance.pdist函数

计算一个二维数组中，每两行之间的距离，默认是欧氏距离
欧式距离计算公式，对一个n维度向量来说：$x=[x_1,x_2,...,x_n]$
$$distance=\sqrt{\sum _{i=1}^n{x}_i^2}=\sqrt{x_1^2+x_2^2+...+x_n^2}$$

def pdist(X, metric='euclidean', *, out=None, **kwargs):
    """
    Pairwise distances between observations in n-dimensional space.
    # n维空间中观测值之间的成对距离

示例：

import numpy as np
from scipy.spatial import distance
coords = [(1, 1),
          (2, 2),
          (3, 3),
          (4, 4)]
coords = np.array(coords)

# 计算一个二维数组中，每两行之间的距离，默认是欧氏距离
distance.pdist(coords)

# 等价于如下语句：
for i in range(len(coords)):
    for j in range(i+1, len(coords)):
        print(np.linalg.norm(coords[i]-coords[j]))

结果如下：

array([1.41421356, 2.82842712, 4.24264069, 1.41421356, 2.82842712,1.41421356])

排布顺序为数组中第1行与第2行，第1行与第3行，…，第1行与最后1行之间的欧式距离，
然后是第2行与第3行，第2行与第4行，……,第2行与最后一行之间的欧式距离
……

distance.cdist函数

计算2个二维数组中，一个数组中的所有行向量与另一个数组中所有行向量之间的距离，默认是欧氏距离

import numpy as np
from scipy.spatial import distance

arr1 = np.random.randint(0, 10, ((5, 3)))
arr2 = np.random.randint(0, 10, ((5, 3)))
distance.cdist(arr1, arr2)

# 等价与如下计算过程
print(np.linalg.norm(arr1[0] - arr2[0]))
print(np.linalg.norm(arr1[0] - arr2[1]))
print(np.linalg.norm(arr1[0] - arr2[2]))

结果如下：

array([[ 9.        , 12.4498996 ,  4.69041576,  5.09901951,  5.09901951],
       [ 8.48528137,  7.61577311,  3.        ,  6.08276253,  3.31662479],
       [ 6.32455532,  4.24264069,  4.12310563,  6.70820393,  4.35889894],
       [ 7.21110255,  7.07106781,  5.74456265,  8.77496439,  5.19615242],
       [ 1.41421356,  6.164414  ,  5.38516481,  4.12310563,  6.40312424]])

排布顺序为第一个数组中第1行与第二个数组中每一行之间的欧式距离，
然后是第一个数组中第2行与第二个数组中每一行之间的欧式距离，
……