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。 是否有另一个内置函数可以做到这一点？

Answer 1

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

我正在这样解释你的问题

1. 你有两组点
2. 两组的点数相同（ 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，并在其他时间 t 设置点 2。
4. 您想找到距离d(k) = dist(p1(k), p2(k)) ，其中p1(k)是集合 1 中的点号k ，而p2(k)是集合 2 中的点号k 。

假设您的 6 个列表分别是x1_coords 、 y1_coords 、 z1_coords和x2_coords 、 y2_coords 、 z2_coords ，那么您可以像这样计算距离

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)之间的距离现在作为dist[k]存储在 numpy 数组中。

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

Answer 2

尽管此解决方案使用numpy ， 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

# 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 4

您可以使用math.dist(A, B) ，其中 A 和 B 是坐标数组