作用numpy下cdist怎么计算加权欧式距离？

Question

想计算点对间的加权欧式距离，请问有什么好的办法么？ 目前用的是numoy下的cdist，但好像没有什么好的办法进行加权

Answer 1

可参考

两个数组对象使用cdist计算欧式距离_snowplum86的博客-CSDN博客_cdist import numpy as npfrom scipy.spatial.distance import cdistX=np.array([[9,3,7],[5,7,9]]) #即便是X中只有一组数据跟Y的两组数据分别求欧氏距离，也需要写成二#维数组的形式，如X=np.array([[5,3,6]])Y=np.array([[4,6,5],[4,2,3]])a=cdist(X, Y, metric='euclidean')print(a)结果说明：6.164414 为[9,3,.. https://blog.csdn.net/snowplum86/article/details/120382465

Answer 2

这个自己实现也是比较方便简单的

x = np.array([9,3,7])
y = np.array([4,6,5])
w = np.random.rand(3)
res = np.sqrt(np.sum(((x-y)*w)**2))

Answer 3

cdist的第三个参数metric可以是一个字符串表示已知的距离计算公式，或者是你自己实现的距离计算公式的函数或对象。

https://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.cdist.html
比如下面例子

dm = cdist(XA, XB, lambda u, v: np.sqrt(((u-v)**2).sum()))

Answer 4

• 代表按照位置相乘 @ 代表矩阵乘法 学会这个你就会了