0

我尝试了 np.hypot() 和 np.linalg.norm() 但它们都有一些问题（至少我是如何使用 thm 的）。

我很确定 np.hypot 只能计算 2-d distance。如果我有一个测试点 P (1,1,1) 和一个网格点 G (3,3,3)，那么网格点 G 的返回值将类似于：((3-1)^2+( 3-1)^2)^(0.5) = 2.82

我可以直接调用 np.hypot，而不必循环通过网格点（我猜循环很慢，因此很糟糕），并且我在 3-d 的所有网格点处返回了这些到测试点的距离值meshgrid，但不计算 z 依赖关系（即 (1,2,0) 处的 d = (1,2,3) 处的 d：

#crystal_lattice structure
x,y,z = np.linspace(-2,2,5),np.linspace(-2,2,5),np.linspace(-2,2,5)

xx,yy,zz = np.meshgrid(x,y,z)

#testpoint
point = np.array([1,1,1])

d = np.hypot(xx-1,yy-1,zz-1)

使用 np.linalg.norm，我不知道如何在网格上的所有点上按元素计算返回值，传入的参数似乎是点 A（网格点）和点 B（测试点），但后来我除了循环之外，想不出任何方法来计算所有网格点，如下所示：

for i in x:
    for j in y:
        for k in z:
            #not mapped back to a gridpoint, do not know what to do
            d = np.linalg.norm(np.array([i,j,k])-point)

有谁知道我如何为 3d 网格上的所有网格点找到到测试点的真实 3d 距离？

4

2 回答 2

1

简单地说：

d = np.sqrt((point[0]-xx)**2 + (point[1]-yy)**2 + (point[2]-zz)**2)
于 2018-06-12T14:33:54.060 回答
1

这是一个计算n维向量相互距离的简单函数：

def _distance2(v):
    nrm=np.sum(v**2,axis=0,keepdims=True)
    return nrm+nrm.T-2* v.T @ v

行是点，列是维度，因此在您的情况下，您可以展平数据。您还可以使用一般概念将其操作为您的数据的任何形式。

于 2018-06-12T14:35:47.970 回答