Как можно рассчитать евклидово расстояние с помощью NumPy?
-
05-07-2019 - |
Вопрос
У меня есть две точки в 3D:
(xa, ya, za)
(xb, yb, zb)
И я хочу рассчитать расстояние:
dist = sqrt((xa-xb)^2 + (ya-yb)^2 + (za-zb)^2)
Как лучше всего сделать это с помощью NumPy или Python в целом?У меня есть:
a = numpy.array((xa ,ya, za))
b = numpy.array((xb, yb, zb))
Решение
Используйте numpy.linalg.norm код>
:
dist = numpy.linalg.norm(a-b)
Другие советы
В SciPy для этого есть функция.Это называется евклидов.
Пример:
from scipy.spatial import distance
a = (1, 2, 3)
b = (4, 5, 6)
dst = distance.euclidean(a, b)
Для тех, кто заинтересован в одновременном вычислении нескольких расстояний, я провел небольшое сравнение, используя perfplot ( мой маленький проект). Оказывается,
a_min_b = a - b
numpy.sqrt(numpy.einsum('ij,ij->i', a_min_b, a_min_b))
вычисляет расстояния строк в a
и b
быстрее всего. Это действительно справедливо только для одной строки!
Код для воспроизведения сюжета:
import matplotlib
import numpy
import perfplot
from scipy.spatial import distance
def linalg_norm(data):
a, b = data
return numpy.linalg.norm(a-b, axis=1)
def sqrt_sum(data):
a, b = data
return numpy.sqrt(numpy.sum((a-b)**2, axis=1))
def scipy_distance(data):
a, b = data
return list(map(distance.euclidean, a, b))
def mpl_dist(data):
a, b = data
return list(map(matplotlib.mlab.dist, a, b))
def sqrt_einsum(data):
a, b = data
a_min_b = a - b
return numpy.sqrt(numpy.einsum('ij,ij->i', a_min_b, a_min_b))
perfplot.show(
setup=lambda n: numpy.random.rand(2, n, 3),
n_range=[2**k for k in range(20)],
kernels=[linalg_norm, scipy_distance, mpl_dist, sqrt_sum, sqrt_einsum],
logx=True,
logy=True,
xlabel='len(x), len(y)'
)
Еще один экземпляр этот метод решения проблем :
def dist(x,y):
return numpy.sqrt(numpy.sum((x-y)**2))
a = numpy.array((xa,ya,za))
b = numpy.array((xb,yb,zb))
dist_a_b = dist(a,b)
Я хочу разъяснить простой ответ с различными примечаниями по производительности.np.linalg.norm, возможно, сделает больше, чем вам нужно:
dist = numpy.linalg.norm(a-b)
Во-первых, эта функция предназначена для работы со списком и возврата всех значений, например.сравнить расстояние от pA
к множеству точек sP
:
sP = set(points)
pA = point
distances = np.linalg.norm(sP - pA, ord=2, axis=1.) # 'distances' is a list
Помните несколько вещей:
- Вызовы функций Python обходятся дорого.
- [Обычное] Python не кэширует поиск по имени.
Так
def distance(pointA, pointB):
dist = np.linalg.norm(pointA - pointB)
return dist
не так невинен, как кажется.
>>> dis.dis(distance)
2 0 LOAD_GLOBAL 0 (np)
2 LOAD_ATTR 1 (linalg)
4 LOAD_ATTR 2 (norm)
6 LOAD_FAST 0 (pointA)
8 LOAD_FAST 1 (pointB)
10 BINARY_SUBTRACT
12 CALL_FUNCTION 1
14 STORE_FAST 2 (dist)
3 16 LOAD_FAST 2 (dist)
18 RETURN_VALUE
Во-первых, каждый раз, когда мы его вызываем, нам приходится выполнять глобальный поиск «np», ограниченный поиск «linalg» и ограниченный поиск «нормы», а накладные расходы просто звоню функция может соответствовать десяткам инструкций Python.
Наконец, мы потратили две операции на сохранение результата и его повторную загрузку для возврата...
Первый этап улучшения:сделайте поиск быстрее, пропустите магазин
def distance(pointA, pointB, _norm=np.linalg.norm):
return _norm(pointA - pointB)
Мы получаем гораздо более упрощенный вариант:
>>> dis.dis(distance)
2 0 LOAD_FAST 2 (_norm)
2 LOAD_FAST 0 (pointA)
4 LOAD_FAST 1 (pointB)
6 BINARY_SUBTRACT
8 CALL_FUNCTION 1
10 RETURN_VALUE
Однако накладные расходы на вызов функций по-прежнему требуют некоторой работы.И вам нужно будет провести тесты, чтобы определить, может быть, вам лучше выполнить математические расчеты самостоятельно:
def distance(pointA, pointB):
return (
((pointA.x - pointB.x) ** 2) +
((pointA.y - pointB.y) ** 2) +
((pointA.z - pointB.z) ** 2)
) ** 0.5 # fast sqrt
На некоторых платформах **0.5
быстрее, чем math.sqrt
.Ваш пробег может отличаться.
**** Расширенные примечания по производительности.
Зачем вы рассчитываете расстояние?Если единственной целью является его демонстрация,
print("The target is %.2fm away" % (distance(a, b)))
двигаться дальше.Но если вы сравниваете расстояния, проверяете диапазон и т. д., я хотел бы добавить несколько полезных наблюдений за производительностью.
Возьмем два случая:сортировка по расстоянию или отбраковка списка элементов, соответствующих ограничению диапазона.
# Ultra naive implementations. Hold onto your hat.
def sort_things_by_distance(origin, things):
return things.sort(key=lambda thing: distance(origin, thing))
def in_range(origin, range, things):
things_in_range = []
for thing in things:
if distance(origin, thing) <= range:
things_in_range.append(thing)
Первое, что нам нужно запомнить, это то, что мы используем Пифагор рассчитать расстояние (dist = sqrt(x^2 + y^2 + z^2)
), поэтому мы делаем много sqrt
звонки.Математика 101:
dist = root ( x^2 + y^2 + z^2 )
:.
dist^2 = x^2 + y^2 + z^2
and
sq(N) < sq(M) iff M > N
and
sq(N) > sq(M) iff N > M
and
sq(N) = sq(M) iff N == M
Суммируя:до тех пор, пока нам действительно не потребуется расстояние в единицах X, а не X^2, мы можем исключить самую сложную часть вычислений.
# Still naive, but much faster.
def distance_sq(left, right):
""" Returns the square of the distance between left and right. """
return (
((left.x - right.x) ** 2) +
((left.y - right.y) ** 2) +
((left.z - right.z) ** 2)
)
def sort_things_by_distance(origin, things):
return things.sort(key=lambda thing: distance_sq(origin, thing))
def in_range(origin, range, things):
things_in_range = []
# Remember that sqrt(N)**2 == N, so if we square
# range, we don't need to root the distances.
range_sq = range**2
for thing in things:
if distance_sq(origin, thing) <= range_sq:
things_in_range.append(thing)
Отлично, обе функции больше не извлекают дорогостоящие квадратные корни.Это будет намного быстрее.Мы также можем улучшить in_range, преобразовав его в генератор:
def in_range(origin, range, things):
range_sq = range**2
yield from (thing for thing in things
if distance_sq(origin, thing) <= range_sq)
Это особенно полезно, если вы делаете что-то вроде:
if any(in_range(origin, max_dist, things)):
...
Но если самое следующее, что вы собираетесь сделать, потребует дистанции,
for nearby in in_range(origin, walking_distance, hotdog_stands):
print("%s %.2fm" % (nearby.name, distance(origin, nearby)))
рассмотрите возможность получения кортежей:
def in_range_with_dist_sq(origin, range, things):
range_sq = range**2
for thing in things:
dist_sq = distance_sq(origin, thing)
if dist_sq <= range_sq: yield (thing, dist_sq)
Это может быть особенно полезно, если вы можете объединить проверки дальности («найти объекты, которые находятся рядом с X и в пределах N м от Y», поскольку вам не нужно снова вычислять расстояние).
Но что, если мы ищем действительно большой список things
и мы ожидаем, что многие из них не заслуживают внимания?
На самом деле существует очень простая оптимизация:
def in_range_all_the_things(origin, range, things):
range_sq = range**2
for thing in things:
dist_sq = (origin.x - thing.x) ** 2
if dist_sq <= range_sq:
dist_sq += (origin.y - thing.y) ** 2
if dist_sq <= range_sq:
dist_sq += (origin.z - thing.z) ** 2
if dist_sq <= range_sq:
yield thing
Будет ли это полезно, будет зависеть от размера «вещей».
def in_range_all_the_things(origin, range, things):
range_sq = range**2
if len(things) >= 4096:
for thing in things:
dist_sq = (origin.x - thing.x) ** 2
if dist_sq <= range_sq:
dist_sq += (origin.y - thing.y) ** 2
if dist_sq <= range_sq:
dist_sq += (origin.z - thing.z) ** 2
if dist_sq <= range_sq:
yield thing
elif len(things) > 32:
for things in things:
dist_sq = (origin.x - thing.x) ** 2
if dist_sq <= range_sq:
dist_sq += (origin.y - thing.y) ** 2 + (origin.z - thing.z) ** 2
if dist_sq <= range_sq:
yield thing
else:
... just calculate distance and range-check it ...
И снова рассмотрите возможность получения dist_sq.Тогда наш пример с хот-догом будет выглядеть следующим образом:
# Chaining generators
info = in_range_with_dist_sq(origin, walking_distance, hotdog_stands)
info = (stand, dist_sq**0.5 for stand, dist_sq in info)
for stand, dist in info:
print("%s %.2fm" % (stand, dist))
Я нахожу функцию dist в matplotlib.mlab, но я не думаю, что она достаточно удобна. Р>
Я публикую это здесь только для справки.
import numpy as np
import matplotlib as plt
a = np.array([1, 2, 3])
b = np.array([2, 3, 4])
# Distance between a and b
dis = plt.mlab.dist(a, b)
Это можно сделать следующим образом. Я не знаю, как это быстро, но он не использует NumPy.
from math import sqrt
a = (1, 2, 3) # Data point 1
b = (4, 5, 6) # Data point 2
print sqrt(sum( (a - b)**2 for a, b in zip(a, b)))
Вы можете просто вычесть векторы и затем произвести их.
Следуя вашему примеру,
a = numpy.array((xa, ya, za))
b = numpy.array((xb, yb, zb))
tmp = a - b
sum_squared = numpy.dot(tmp.T, tmp)
result sqrt(sum_squared)
Это простой код и его легко понять.
Мне нравится np.dot
(точка продукта):
a = numpy.array((xa,ya,za))
b = numpy.array((xb,yb,zb))
distance = (np.dot(a-b,a-b))**.5
Начиная с Python 3.8
, математика < Модуль / code>
напрямую предоставляет dist
функция, которая возвращает евклидово расстояние между двумя точками (в виде кортежа координат):
from math import dist
dist((1, 2, 6), (-2, 3, 2)) # 5.0990195135927845
Если вы работаете со списками вместо кортежей:
dist(tuple([1, 2, 6]), tuple([-2, 3, 2]))
Имея a
и b
, как вы их определили, вы также можете использовать:
distance = np.sqrt(np.sum((a-b)**2))
Хороший однострочник:
dist = numpy.linalg.norm(a-b)
Однако, если скорость имеет значение, я бы порекомендовал поэкспериментировать на вашей машине. Я обнаружил, что использование sqrt
библиотеки math
с оператором **
для квадрата намного быстрее на моей машине, чем однолинейное решение NumPy . р>
Я выполнил свои тесты, используя эту простую программу:
#!/usr/bin/python
import math
import numpy
from random import uniform
def fastest_calc_dist(p1,p2):
return math.sqrt((p2[0] - p1[0]) ** 2 +
(p2[1] - p1[1]) ** 2 +
(p2[2] - p1[2]) ** 2)
def math_calc_dist(p1,p2):
return math.sqrt(math.pow((p2[0] - p1[0]), 2) +
math.pow((p2[1] - p1[1]), 2) +
math.pow((p2[2] - p1[2]), 2))
def numpy_calc_dist(p1,p2):
return numpy.linalg.norm(numpy.array(p1)-numpy.array(p2))
TOTAL_LOCATIONS = 1000
p1 = dict()
p2 = dict()
for i in range(0, TOTAL_LOCATIONS):
p1[i] = (uniform(0,1000),uniform(0,1000),uniform(0,1000))
p2[i] = (uniform(0,1000),uniform(0,1000),uniform(0,1000))
total_dist = 0
for i in range(0, TOTAL_LOCATIONS):
for j in range(0, TOTAL_LOCATIONS):
dist = fastest_calc_dist(p1[i], p2[j]) #change this line for testing
total_dist += dist
print total_dist
На моем компьютере math_calc_dist
работает намного быстрее, чем numpy_calc_dist
: 1,5 секунды и 23,5 секунды . р>
Чтобы получить измеримую разницу между fastest_calc_dist
и math_calc_dist
мне нужно было увеличить TOTAL_LOCATIONS
до 6000. Затем fastest_calc_dist
занимает ~ 50 секунд , а math_calc_dist
- ~ 60 секунд .
Вы также можете поэкспериментировать с numpy.sqrt
и numpy.square
, хотя оба варианта были медленнее, чем альтернативы math
на моем компьютере. р>
Мои тесты запускались с Python 2.6.6.
Вот краткий код евклидова расстояния в Python с учетом двух точек, представленных в виде списков в Python.
def distance(v1,v2):
return sum([(x-y)**2 for (x,y) in zip(v1,v2)])**(0.5)
import numpy as np
from scipy.spatial import distance
input_arr = np.array([[0,3,0],[2,0,0],[0,1,3],[0,1,2],[-1,0,1],[1,1,1]])
test_case = np.array([0,0,0])
dst=[]
for i in range(0,6):
temp = distance.euclidean(test_case,input_arr[i])
dst.append(temp)
print(dst)
import math
dist = math.hypot(math.hypot(xa-xb, ya-yb), za-zb)
Вы можете легко использовать формулу
distance = np.sqrt(np.sum(np.square(a-b)))
который на самом деле ничего не делает, кроме использования теоремы Пифагора для вычисления расстояния путем добавления квадратов & # 916; x, & # 916; y и & # 916; z и укоренения результата.
Рассчитайте евклидово расстояние для многомерного пространства:
import math
x = [1, 2, 6]
y = [-2, 3, 2]
dist = math.sqrt(sum([(xi-yi)**2 for xi,yi in zip(x, y)]))
5.0990195135927845
Сначала найдите разницу двух матриц. Затем примените поэлементное умножение с помощью команды умножения numpy. После этого найдите суммирование умноженной на элемент новой матрицы. Наконец, найдите квадратный корень суммы.
def findEuclideanDistance(a, b):
euclidean_distance = a - b
euclidean_distance = np.sum(np.multiply(euclidean_distance, euclidean_distance))
euclidean_distance = np.sqrt(euclidean_distance)
return euclidean_distance