python广播机制（计算一个数组中所有点之间的距离）

python广播机制（计算一个数组中所有点之间的距离）

今天遇到了需要计算一个数组中的所有n维点之间的距离（使用欧氏距离），使用两个for循环的话就会很慢，而使用广播机制来计算的话就会很快。这篇文章主要是阐述一下广播机制的原理（不再阐述广播需要的条件）。
使用两个for循环的python代码是：

distance=np.zeros((N,N)) 
def loop(coord):
    # add your codes here
    for i in range(coord.shape[0]):
        for j in range(coord.shape[0]):
            distance[i,j]=dis(coord[i],coord[j])
    return distance

例如有一个3x2的数组，即有三个点，每一个点的坐标用x和y表示，现在想用一个矩阵表示这三个点两两之间的距离，即要输出一个3x3矩阵。用字母来表示，即有一个axb的数组，a表示数组的点的数量，b表示点的坐标的维度。

将上面原始数组复制成两份，一份在a的后面且b的前面扩展一个维度，使其维度变为ax1xb，这一步能让b这个维度上的数据在之后广播的时候扩展；另一份在a的前面扩展一个维度，变成1xaxb。

那么广播的时候两个数组都被广播成axaxb了，那么这个时候将两个数组相减并且平方，之后再在最后一个维度上求和后开方就可以得到结果。不过可能比较难理解的是，为什么这样就能做到两两相减？

当axb扩展成1xaxb再扩展成axaxb时（以3x3x2为例），这是在将原来的3x2数组整个复制三份，即扩展成原来的三倍，可以看成是在行方向扩展，即每一行是相同的，也就是

当3x2扩展成3x1x2再扩展成3x3x2时，是将2这一维的数据复制了三份，即扩展成原来的三倍，可以看成是在列方向上扩展，即每一列都是相同的，也就是

这样的话有一个扩展后的数组的一列都是一样的，而另一个扩展后的数组的每一列是所有的点，两个数组相减就完成了计算所有点两两之间的距离了。

使用广播机制的python代码是：

def broadcast(coord):
    # add your codes here
    distance=np.sqrt(np.sum((coord[:,np.newaxis,:]-coord[np.newaxis,:,:])**2,-1))
    return distance