Scipy总结

计算空间距离：scipy.spatial.distance.cdist()

scipy.spatial.distance.cdist(XA, XB, metric='euclidean', *, out=None, **kwargs)

计算两个输入集合中每一对之间的距离。

参数：

array_like：像数组的类型，只包含使用从零开始，且自然递增的整数做键名，并且定义了length表示元素个数的对象，我们就认为它是类数组对象。

• XA：array_like

  在 n 维空间中一个 \(m_A * n\) 的 \(m_A\) 原始观测数组。输入转换为浮点型。

• XB：array_like

  在 n 维空间中一个 \(m_B * n\)​ 的 \(m_B\)​ 原始观测数组。输入转换为浮点型。

• metric：str or callable, optional ( 可调用或可选择的字符串 )

  要使用的距离度量。如果一个字符串，距离函数可以是 ‘ braycurtis’，‘ canberra’，‘ chebyshev’，‘ cityblock’，‘ correlation’，‘ cosine’，‘ dice’，‘ euclidean’，‘ hamming’，‘ jaccard’，‘ jensenshannon’，‘ kulsinski’，‘ mahalanobis’，‘ matching’，‘ minkowski’，‘ rogerstanimoto’，‘ russelll’，‘ seuclidean’，‘ sokalmichener’，‘ sokalath’，‘ euclidean’，‘ sqlkowski’，‘ wminkole’。

• **kwargs：dict, optional （可选的字典）

  度量的额外参数：参考每个度量文档获得所有可能参数的列表。

  一些可能的参数：

  标量( P )：适用于 Minkowski 的 p 范数，加权和不加权。默认值：2。

  权重( w )：类数组的权重向量，用于支持权重的度量（例如，Minkowski）。

  向量( V )：类数组的标准化欧几里德的方差向量。缺省值：var(vstack([XA，XB]), axis = 0, ddof = 1)。

  逆矩阵( VI )：马氏协方差矩阵的逆矩阵。默认值：inv(cov(vstack([XA, XB].T))).T

返回值：

• 返回值类型：ndarray

  返回一个 \(m_A * m_B\) 的距离矩阵。对于每个 \(i\) 和 \(j\)​ ，度量dist(u=XA[i], v=XB[j])被计算并保存在第 \(ij\) 个条目中。

备注：

​ 如果 XA 和 XB 的列数不相同，则引发异常。

scipy.spatial.distance.cdist — SciPy v1.7.1 Manual

代码举例：

from scipy.spatial import distance
coords = [(35.0456, -85.2672),
          (35.1174, -89.9711),
          (35.9728, -83.9422),
          (36.1667, -86.7833)]
distance.cdist(coords, coords, 'euclidean')

运行结果：

array([[ 0.    ,  4.7044,  1.6172,  1.8856],
       [ 4.7044,  0.    ,  6.0893,  3.3561],
       [ 1.6172,  6.0893,  0.    ,  2.8477],
       [ 1.8856,  3.3561,  2.8477,  0.    ]])