1. 从向量的欧式距离谈起

向量x为1x3的行向量，向量y为1x3的行向量,求向量x与向量y的欧式距离
x=(a11a12a13)x = \begin{pmatrix}a_{11} & a_{12} & a_{13}\\\end{pmatrix}x=(a11a12a13)
y=(b11b12b13)y = \begin{pmatrix}b_{11} & b_{12} & b_{13}\\\end{pmatrix}y=(b11b12b13)

distx,y=(a11−b11)2+(a12−b12)2+(a13−b13)2dist_{x,y}=\sqrt{(a_{11} - b_{11})^2 + (a_{12} - b_{12})^2 + (a_{13} - b_{13})^2}distx,y=(a11−b11)2+(a12−b12)2+(a13−b13)2

变形为：
distx,y=a112+a122+a132+b112+b122+b132−2a11b11−2a12b12−2a13b13dist_{x,y}=\sqrt{a_{11}^2 + a_{12}^2 + a_{13}^2 + b_{11}^2 + b_{12}^2 + b_{13}^2 - 2a_{11}b_{11} - 2a_{12}b_{12} - 2a_{13}b_{13} }distx,y=a112+a122+a132+b112+b122+b132−2a11b11−2a12b12−2a13b13

从变形后的公式我们可以看出相当于(a−b)2=a2+b2−2ab(a-b)^2=a^2+b^2-2ab(a−b)2=a2+b2−2ab

我们可以变形为下列计算(两个向量的L2范数)：
distx,y=∥x−y∥2dist_{x,y}=\left \| x-y \right \|_2distx,y=∥x−y∥2
第一种方式

import numpy as npx = np.mat([1.0, 2.0, 3.0])
y = np.mat([4.0, 5.0, 6.0])dist = np.sqrt(np.sum(np.power(x - y, 2)))
print(dist)
# 5.196152422706632
dist = np.sqrt(np.power(x, 2).sum() + np.power(y, 2).sum() - 2 * np.dot(x, y.T)).sum()
print(dist)
# 5.196152422706632

2. 从向量的欧式距离扩展到矩阵的欧式距离

向量A为2x3的行向量，向量B为3x3的行向量,求向量A与向量B的欧式距离
A=(a1a2)=(a11a12a13a21a22a23)A = \begin{pmatrix} a_{1} \\ a_{2} \end{pmatrix} = \begin{pmatrix} a_{11} & a_{12} & a_{13}\\ a_{21} & a_{22} & a_{23} \end{pmatrix}A=(a1a2)=(a11a21a12a22a13a23)

B=(b1b2b3)=(b11b12b13b21b22b23b31b32b33)B = \begin{pmatrix} b_{1} \\ b_{2}\\ b_{3} \end{pmatrix} = \begin{pmatrix} b_{11} & b_{12} & b_{13}\\ b_{21} & b_{22} & b_{23}\\ b_{31} & b_{32} & b_{33} \end{pmatrix}B=⎝⎛b1b2b3⎠⎞=⎝⎛b11b21b31b12b22b32b13b23b33⎠⎞
矩阵A与矩阵B的欧式距离，会形成矩阵C，其维度为2x3
C=(c1c2)=(c11c12c13c21c22c23)C = \begin{pmatrix} c_{1} \\ c_{2} \end{pmatrix}= \begin{pmatrix} c_{11} & c_{12} & c_{13}\\ c_{21} & c_{22} & c_{23} \end{pmatrix}C=(c1c2)=(c11c21c12c22c13c23)

distc11=(a11−b11)2+(a12−b12)2+(a13−b13)2=∥a1−b1∥2dist_{c_{11}}=\sqrt{(a_{11} - b_{11})^2 + (a_{12} - b_{12})^2 + (a_{13} - b_{13})^2} = \left \| a_1-b_1 \right \|_2distc11=(a11−b11)2+(a12−b12)2+(a13−b13)2=∥a1−b1∥2
distc12=(a11−b21)2+(a12−b22)2+(a13−b23)2=∥a1−b2∥2dist_{c_{12}}=\sqrt{(a_{11} - b_{21})^2 + (a_{12} - b_{22})^2 + (a_{13} - b_{23})^2} = \left \| a_1-b_2 \right \|_2distc12=(a11−b21)2+(a12−b22)2+(a13−b23)2=∥a1−b2∥2
distc13=(a11−b31)2+(a12−b32)2+(a13−b33)2=∥a1−b3∥2dist_{c_{13}}=\sqrt{(a_{11} - b_{31})^2 + (a_{12} - b_{32})^2 + (a_{13} - b_{33})^2} = \left \| a_1-b_3 \right \|_2distc13=(a11−b31)2+(a12−b32)2+(a13−b33)2=∥a1−b3∥2

distc21=(a21−b11)2+(a22−b12)2+(a23−b13)2=∥a2−b1∥2dist_{c_{21}}=\sqrt{(a_{21} - b_{11})^2 + (a_{22} - b_{12})^2 + (a_{23} - b_{13})^2} = \left \| a_2-b_1 \right \|_2distc21=(a21−b11)2+(a22−b12)2+(a23−b13)2=∥a2−b1∥2
distc22=(a21−b21)2+(a22−b22)2+(a23−b23)2=∥a2−b2∥2dist_{c_{22}}=\sqrt{(a_{21} - b_{21})^2 + (a_{22} - b_{22})^2 + (a_{23} - b_{23})^2}= \left \| a_2-b_2 \right \|_2distc22=(a21−b21)2+(a22−b22)2+(a23−b23)2=∥a2−b2∥2
distc23=(a21−b31)2+(a22−b32)2+(a23−b33)2=∥a2−b3∥2dist_{c_{23}}=\sqrt{(a_{21} - b_{31})^2 + (a_{22} - b_{32})^2 + (a_{23} - b_{33})^2}= \left \| a_2-b_3 \right \|_2distc23=(a21−b31)2+(a22−b32)2+(a23−b33)2=∥a2−b3∥2

可以看出A中的每个行向量使用了3次(B的行数)和B中的每一行列向量使用了2次(A的行数)：
参照向量的欧式距离计算，转化成(a−b)2=a2+b2−2ab(a-b)^2=a^2+b^2-2ab(a−b)2=a2+b2−2ab
C=sum(A2,axis=1)∗ones((1,3))+ones((2,1))∗sum(B2,axis=1)T−2ABTC=sum(A^2, axis=1) * ones((1, 3)) + ones((2, 1)) * sum(B^2, axis=1)^T - 2AB^TC=sum(A2,axis=1)∗ones((1,3))+ones((2,1))∗sum(B2,axis=1)T−2ABT

# 矩阵欧式距离计算
# 矩阵计算方法
A = np.mat([[1.0, 2.0, 3.0], [2.0, 3.0, 4.0]])
B = np.mat([[3.0, 4.0, 5.0], [4.0, 5.0, 6.0], [5.0, 6.0, 7.0]])
C = np.sum(np.power(A, 2), 1) * np.ones((1, 3)) + np.ones((2, 1)) * np.sum(np.power(B, 2), 1).T        - 2 * A * B.T
print(C)
# [[12. 27. 48.] [ 3. 12. 27.]]# 逐行向量计算方法（用于验证）
C = np.mat(np.zeros((2, 3), dtype=float))
for i in range(2):for j in range(3):C[i, j] = np.sum(np.power(A[i] - B[j], 2))
print(C)#[[12. 27. 48.] [ 3. 12. 27.]]

计算矩阵A与矩阵B的欧式距离相关推荐

矩阵向量中两两间欧式距离计算
目标:希望通过的矩阵运算就能得出矩阵向量中两两之间的欧式距离欧氏距离公式: 一般而言,我们常见的欧式距离计算公式如下: a,b 对应的是两组不同的向量 dist(a,b)=(a1−b1)2+(a2− ...
计算两个矩阵的行向量之间的欧式距离
1 问题描述矩阵P的大小为[m, d] 用行向量表示为P1, P2,...,Pm 矩阵C的大小为[n, d] 用行向量表示为C1, C2,...,Cn 求矩阵P的每个行向量与矩阵C的每个行 ...
Python中计算两个数据点之间的欧式距离，一个点到数据集中其他点的距离之和
计算数两个数据点之间的欧式距离 import numpy as np def ed(m, n):return np.sqrt(np.sum((m - n) ** 2)) i = np.array([1 ...
多元统计分析——欧式距离和马氏距离
在一元的情形中,定义两个点和之间的距离: 两者作差的绝对值,我们称为欧式距离. 经过标准化的作差绝对值,我们称为统计距离,或者标准化过后的距离.其中,代表样本的标准差. 在多元的情形中,假设我们有两个 ...
实现两个点集的欧式距离和cos距离和索引值寻找（含有两种解法，for循环和矩阵操作）
一.计算欧式距离 1,直接for循环两个点集points1,points2,用dist来存储距离 points1=np.array([[1,2],[3,4]]) points2 = np.array ...
R语言计算曼哈顿距离（Manhattan Distance）实战:计算两个向量的曼哈顿距离、dist函数计算矩阵中两两元素的曼哈顿距离
R语言计算曼哈顿距离(Manhattan Distance)实战:计算两个向量的曼哈顿距离.dist函数计算矩阵中两两元素的曼哈顿距离目录 R语言计算曼哈顿距离(Manhattan Distance ...
分别用matlab和python计算物品相似度矩阵（Jaccard系数
用户\物品 A B C D E 101 1 1 0 0 1 102 0 1 0 1 0 103 1 1 1 1 1 104 1 1 0 1 0 105 1 1 0 0 1 106 0 0 0 1 0 ...
『科学计算_理论』矩阵求导
上篇原文链接下篇原文链接标量对矩阵求导矩阵求导的技术,在统计学.控制论.机器学习等领域有广泛的应用.鉴于我看过的一些资料或言之不详.或繁乱无绪,本文来做个科普,分作两篇,上篇讲标量对矩阵的求导术 ...
中南大学科学计算与MATLAB语言矩阵的特征值与特征向量
中南大学科学计算与MATLAB语言矩阵的特征值与特征向量特征的几何意义 MATLAB提供一个eigshow()函数,能够将原始数据和伸缩变换后的数据椭圆. 稀疏矩阵完全存储方式稀疏存储方式
用计算机算3次根号0.00005,使用ORCA在TDDFT下计算旋轨耦合矩阵元和绘制旋轨耦合校正的UV-Vis光谱...
使用ORCA在TDDFT下计算旋轨耦合矩阵元和绘制旋轨耦合校正的UV-Vis光谱文/Sobereva@北京科音 First release: 2019-Feb-10 Last update: 20 ...

计算矩阵A与矩阵B的欧式距离

计算矩阵A与矩阵B的欧式距离

1. 从向量的欧式距离谈起

2. 从向量的欧式距离扩展到矩阵的欧式距离

计算矩阵A与矩阵B的欧式距离相关推荐

最新文章

热门文章