为了介绍这个问题，让我们假设我有一个2D数组（Nx3）存储N个点。另一方面，我有一个1D数组（M，3）包含单个3D参考点的坐标，因此M=1
对于这种情况，如果我想计算一个新的1D数组（N），其中包含到参考点的所有距离，我只需要做：
import numpy as np
N = 100
M = 1
points = np.random.random((N, 3))
references = np.random.random((M, 3))
print(np.linalg.norm(points - references, axis=1))字符串
这是可行的。然而，当我有多个参考点（M>1）时，numpy无法广播操作。现在我只是像之前描述的那样执行相同的操作，但使用for循环逐个遍历参考点，这是非常低效的。
当有M > 1时，我如何以矢量化的方式实现上述行为？我之前考虑过的事情：
- 使用
numba.njit去除python解释for的效果。但我想不使用numba - 类似于将点数组广播到3D（MxNx3），将参考数组广播到3D（NxMx3），这样我就可以操作它们了。但是，如果我没有错的话，我会将点数组的大小乘以M，将参考数组的大小乘以N。如果这是解决方案，我也不知道如何做到这一点。
2条答案
按热度按时间cu6pst1q1#
简单地说：
字符串
这给了你一个所有距离的
M,N数组。范例：
型
注意事项：如果你要处理大量的点，并且不一定对完整的距离列表感兴趣，而是对一个子集感兴趣，比如说，最近的邻居，那么你应该考虑使用
scipy.spatial.KDTree。这将更快，内存效率更高。mznpcxlj2#
当你取数组的差，然后将
np.linalg.norm应用于最后一个轴时，进行广播（我显式地写了2，但你也可以使用-1）。字符串
需要注意的是，当M = 1时，你的版本会给你一个1D向量。如果你想要一个行向量，那么交换
points和references索引。这也会对最终结果产生转置的效果。我不确定你更喜欢哪个方向。