Comment peut-on calculer la distance euclidienne avec NumPy ?

Question

J'ai deux points dans l'espace 3D:

a = (ax, ay, az)
b = (bx, by, bz)

Je veux calculer la distance entre eux:

dist = sqrt((ax-bx)^2 + (ay-by)^2 + (az-bz)^2)

Comment puis-je faire cela avec NumPy? J'ai:

import numpy
a = numpy.array((ax, ay, az))
b = numpy.array((bx, by, bz))

Answer 1

Utilisez numpy.linalg.norm:

dist = numpy.linalg.norm(a-b)

Cela fonctionne parce que la distance euclidienne est la norme l2, et que la valeur par défaut du paramètre ord dans numpy.linalg.norm est 2. Pour plus de théorie, consultez Introduction to Data Mining:

Answer 2

Utilisez scipy.spatial.distance.euclidean:

from scipy.spatial import distance
a = (1, 2, 3)
b = (4, 5, 6)
dst = distance.euclidean(a, b)

Answer 3

Une autre instance de cette méthode de résolution de problèmes:

def dist(x,y):   
    return numpy.sqrt(numpy.sum((x-y)**2))

a = numpy.array((xa,ya,za))
b = numpy.array((xb,yb,zb))
dist_a_b = dist(a,b)

Answer 4

Cela peut être fait comme suit. Je ne sais pas à quelle vitesse cela se fait, mais cela n'utilise pas NumPy.

from math import sqrt
a = (1, 2, 3) # Point de données 1
b = (4, 5, 6) # Point de données 2
print sqrt(sum( (a - b)**2 for a, b in zip(a, b)))

Answer 5

Je trouve une fonction 'dist' dans matplotlib.mlab, mais je ne pense pas qu'elle soit assez pratique.

Je la poste ici juste pour référence.

import numpy as np
import matplotlib as plt

a = np.array([1, 2, 3])
b = np.array([2, 3, 4])

# Distance entre a et b
dis = plt.mlab.dist(a, b)