使用python中的内置函数查找3d距离

Question

我有 6 个列表存储两组位置的 x、y、z 坐标（每组 3 个列表）。我想计算两组中每个点之间的距离。我已经编写了自己的距离函数，但速度很慢。我的一个列表有大约 100 万个条目。 我试过 cdist，但它会产生一个距离矩阵，我不明白它是什么意思。是否有其他内置函数可以做到这一点？

Answer 1

# Use the distance function in Cartesian 3D space:
# Example
import math     
def distance(x1, y1, z1, x2, y2, z2):
d = 0.0
d = math.sqrt((x2 - x1)**2 + (y2 - y1)**2 + (z2 - z1)**2)
return d

Answer 2

虽然此解决方案使用numpy，但np.linalg.norm 可能是另一种解决方案。

假设您有一个点 p0 = np.array([1,2,3]) 和第二个点 p1 = np.array([4,5,6])。那么找到两者之间距离的最快方法是：

dist = np.linalg.norm(p0 - p1)

Answer 3

如果可能，使用numpy 模块来处理这类事情。它比使用常规的 python 列表要高效得多。

我是这样解释你的问题的

1. 你有两组点
2. 两组点数相同 (N)
3. 集合 1 中的点 k 与集合 2 中的点 k 相关。如果每个点都是某个对象的坐标，我将其解释为包含初始点的集合 1 并将点设置为其他点时间t。
4. 您想找到距离d(k) = dist(p1(k), p2(k))，其中p1(k) 是第1 组中的点号k，p2(k) 是第2 组中的点号k。

假设你的6个列表分别是x1_coords、y1_coords、z1_coords和x2_coords、y2_coords、z2_coords，那么你可以这样计算距离

import numpy as np
p1 = np.array([x1_coords, y1_coords, z1_coords])
p2 = np.array([x2_coords, y2_coords, z2_coords])

squared_dist = np.sum((p1-p2)**2, axis=0)
dist = np.sqrt(squared_dist)

p1(k) 和 p2(k) 之间的距离现在以 dist[k] 的形式存储在 numpy 数组中。

至于速度：在我的笔记本电脑上，配备“Intel(R) Core(TM) i7-3517U CPU @ 1.90GHz”，计算 N=1E6 的两组点之间的距离的时间为 45 毫秒。