使用python中的内置函数查找3d距离

Question

我有6个列表，分别存储两组位置的x，y，z坐标（每组3个列表）。我想计算两个集合中每个点之间的距离。我已经编写了自己的距离函数，但是它很慢。我的清单之一有大约一百万个条目。我试过了cdist，但是它产生一个距离矩阵，我不明白它的意思。是否有另一个内置函数可以做到这一点？

Answer 1

尽管此解决方案使用numpy，np.linalg.norm但可能是另一种解决方案。

假设你有一点p0 = np.array([1,2,3])和第二点p1 = np.array([4,5,6])。那么找到两者之间距离的最快方法是：

import numpy as np

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

Answer 2

如果可能，请使用numpy模块来处理此类事情。它比使用常规python列表更有效。

我正在这样解释你的问题

1. 你有两点
2. 两组的点数相同（N）
3. 点k在组1是有关点k如果每个点是一些对象的坐标，我在一些其他的时间t将其解释为包含所述初始点集1和组2的点中设置2。
4. 您想找到距离d(k) = dist(p1(k), p2(k))，其中p1(k)位置k1 p2(k)是集合1 中的点号k，是2中集合中的点号。

假设你的6名名单x1_coords，y1_coords，z1_coords和x2_coords，y2_coords，z2_coords分别，那么你就可以计算出这样的距离

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)和之间的距离p2(k)现在存储为numpy数组dist[k]。

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