计算 TSV 文件中所有其他点之间的距离？答案

【问题标题】：Calculate the distance between all other points in a TSV file?计算 TSV 文件中所有其他点之间的距离？
【发布时间】：2018-12-19 19:43:20
【问题描述】：

我有一个填充有 n 个数据点的 TSV 文件，我想计算所有点之间的距离。我有这样的事情：

我想做的是.iloc 功能

import pandas as pd
x = pd.read_csv('data.tsv', sep='\t')
print (x)

while True: xcord= (int)

我在想你可以迭代地为每个点加 1，但我不知道该怎么做。

【问题讨论】：

distance between all other points 是什么意思？你能给我们一个预期输出的例子吗？
是的，对不起！例如，A 和 B 之间的距离为 d = 4.073928。 A 和 C 之间是 d = 3.06557。然后我想要A和D，A和E之间的距离，等等。我还想要 B 和 C、B 和 D 之间的距离，等等。理想情况下，结果看起来像一个相关矩阵，其中 0 是自我，然后您可以截取其他 20 个点之间的距离。我使用的公式是 sqrt((x2-x1)^2 +(y2-y1)^2 +( z2-z1)^2)
如果我的回答解决了您的问题，您可以将其标记为已接受吗？
您显示的代码并不是真正的尝试。例如，它不包括您在文本中提到的.iloc 功能。请显示针对该问题的实际代码尝试。

标签： python python-2.7 pandas numpy math

【解决方案1】：

使用`distance_matrix`的解决方案

您可以继续使用scipy.spatial.distance_matrix。

假设您的 DataFrame 是 my_dataframe。

import pandas as pd
import scipy as sp    

points = pd.DataFrame(my_dataframe, columns=["X", "Y", "Z"]).astype(float)
distance_matrix = sp.spatial.distance_matrix(points, points)

可视化结果

我们可以使用seabord.heatmap来可视化得到的结果：

from matplotlib import pyplot as plt
import seaborn as sns

labels = my_dataframe["points"]

plt.rcParams['figure.figsize'] = [10, 10]
plt.axis('scaled')
sns.heatmap(distance_matrix,
        annot=True,
        cbar = False,
        fmt="0.2f",
        cmap="YlGnBu",
        xticklabels=labels,
        yticklabels=labels)
plt.title("Distance matrix")

结果是：

一个小的文本示例

我们可以创建一个小的文本示例，通过它可以帮助我们逐步理解输入和输出。让我们考虑一个只有两点的 DataFrame：

生成示例数据框

import pandas as pd
import numpy as np

a = np.random.uniform(100, size=(2, 3))
my_dataframe = pd.DataFrame(np.hstack([[["A"], ["B"]], a]), columns=["points", "X", "Y", "Z"])

我们生成的 DataFrame 如下所示：

分割点和标签

我们将标签和点分开：

points = pd.DataFrame(my_dataframe, columns=["X", "Y", "Z"]).astype(float)
labels = my_dataframe["points"]

所以points 看起来像：

而labels 看起来像：

计算距离矩阵

现在我们可以继续计算距离矩阵，执行scipy.spatial.distance_matrix：

distance_matrix = sp.spatial.distance_matrix(points, points)

得到的矩阵是：

array([[ 0.        , 93.43955419],
       [93.43955419,  0.        ]])

可视化得到的矩阵

使用与上面相同的代码，我们得到：

【讨论】：