2

恢复这个问题：用缺失值计算 scipy 中的成对距离

测试用例：我想计算将不同长度的系列的成对距离组合在一起，我必须以最有效的方式进行（使用欧几里得距离）。

使其工作的一种方法可能是：

import pandas as pd
import numpy as np
from scipy.spatial.distance import pdist

a = pd.DataFrame(np.random.rand(10, 4), columns=['a','b','c','d'])
a.loc[0, 'a'] = np.nan
a.loc[1, 'a'] = np.nan
a.loc[0, 'c'] = np.nan
a.loc[1, 'c'] = np.nan

def dropna_on_the_fly(x, y):
    return  np.sqrt(np.nansum(((x-y)**2)))

pdist(starting_set, dropna_on_the_fly)

但我觉得这可能非常低效，因为pdist函数的内置方法在内部进行了优化，而函数只是被传递了。

我有一种预感，我会在numpy其中broadcast进行减法运算，然后继续np.nansum进行na抗性总和，但我不确定如何进行。

4

1 回答 1

3

受启发this post，将有两种解决方案。

方法＃1：矢量化解决方案将是 -

ar = a.values
r,c = np.triu_indices(ar.shape[0],1)
out = np.sqrt(np.nansum((ar[r] - ar[c])**2,1))

方法#2：对于大型数组来说，内存效率更高且性能更高的方法是 -

ar = a.values
b = np.where(np.isnan(ar),0,ar)

mask = ~np.isnan(ar)
n = b.shape[0]
N = n*(n-1)//2
idx = np.concatenate(( [0], np.arange(n-1,0,-1).cumsum() ))
start, stop = idx[:-1], idx[1:]
out = np.empty((N),dtype=b.dtype)
for j,i in enumerate(range(n-1)):
    dif = b[i,None] - b[i+1:]
    mask_j = (mask[i] & mask[i+1:])
    masked_vals = mask_j * dif
    out[start[j]:stop[j]] = np.einsum('ij,ij->i',masked_vals, masked_vals)
      # or simply : ((mask_j * dif)**2).sum(1)

out = np.sqrt(out)
于 2017-10-07T14:46:07.657 回答