python - 是否可以在 Python 中加速这个循环？

Question

在 numpy.narray 中映射函数的常规方法，例如 np.array[map(some_func,x)] 或 vectorize(f)( x) 无法提供索引。 以下代码只是一个在许多应用程序中常见的简单示例。

dis_mat = np.zeros([feature_mat.shape[0], feature_mat.shape[0]])

for i in range(feature_mat.shape[0]):
    for j in range(i, feature_mat.shape[0]):
        dis_mat[i, j] = np.linalg.norm(
            feature_mat[i, :] - feature_mat[j, :]
        )
        dis_mat[j, i] = dis_mat[i, j]

有没有办法加快速度？

---

感谢您的帮助!使用 @user2357112 评论的函数，加快此代码速度的最快方法是:

    from scipy.spatial.distance import pdist,squareform
    dis_mat = squareform(pdist(feature_mat))

@Julien 的 method 如果 feature_mat 很小也不错，但是当 feature_mat 到 2000 年为 1000 时，它需要将近 40 GB 的内存。

Answer 1

SciPy 带有一个专门用于计算您正在计算的成对距离类型的函数。它是 scipy.spatial.distance.pdist , 它以压缩格式生成距离，基本上只存储距离矩阵的上三角形，但您可以使用 scipy.spatial.distance.squareform 将结果转换为正方形形式:

from scipy.spatial.distance import pdist, squareform

distance_matrix = squareform(pdist(feature_mat))

这样做的好处是避免了直接矢量化解决方案所需的巨大中间数组，因此它更快并且适用于更大的输入。它失去了到 an approach that uses algebraic manipulations to have dot handle the heavy lifting 的时间。 ，不过。

pdist 还支持多种替代距离指标，如果您决定想要欧几里德距离以外的其他指标。

# Manhattan distance!
distance_matrix = squareform(pdist(feature_mat, 'cityblock'))

# Cosine distance!
distance_matrix = squareform(pdist(feature_mat, 'cosine'))

# Correlation distance!
distance_matrix = squareform(pdist(feature_mat, 'correlation'))

# And more! Check out the docs.