成对cdist用scipy代替zip

Question

我想得到向量列表和向量列表之间的cdist。在

换句话说，我想做[cdist(px, cent) ** 2 for px, cent in izip(pixelwise, centroids)]的等价物。在

那为什么不干脆这么做呢？因为这是我计划中最慢的部分。我想看看是否有一种在numpy/scipy中以本机方式完成这项任务的速度，比我在python中使用list expression+zip的方式更快。在

示例代码：

pixelwise = allframes.transpose((1, 0, 2))
centroids = pixelwise.mean((0,)).reshape((pixelwise.shape[0], 1, 3))
variances += weight * numpy.sum(
   [cdist(px, cent, 'euclidean') ** 2 for px, cent in izip(pixelwise, centroids)])

像素的示例值：

^{pr2}$

对于质心，你得到的结果是：

array([[[ 1.75,  2.  ,  2.5 ]],

       [[ 2.  ,  2.5 ,  2.75]],

       [[ 2.  ,  2.  ,  2.  ]]])

Answer 1

如果我正确地理解了你的意图，你就是在试图估计每一组向量与其他向量的质心之间的距离。如果是这样的话，看起来您缺少组中向量数量的标准化因子。尽管如此，你可以通过简单的考虑得到这个距离的一个很好的估计

scipy.spatial.distance.pdist(centroids, 'euclidean')

即质心之间的距离。这是一阶近似。如果你把这些数据用于一个算法，它可能已经足够好了，因为它可以找到最分离的向量集。在

由于注释表明您最初寻找的功能没有内置到scipy中，因此您必须独立地进行每个求和。但是，这个问题是令人尴尬的并行问题，因此使用multiprocessing可能会有所帮助。在