cupyx.scipy.spatial.distance.pdist#

cupyx.scipy.spatial.distance.pdist(X, metric='euclidean', *, out=None, **kwargs)[源代码]#

计算 n 维空间中观测值之间的距离。

参数:

  • X (array_like) – 一个 \(m\) 行 \(n\) 列的数组，包含 n 维空间中的 \(m\) 个原始观测值。输入将被转换为浮点类型。

  • metric (str, optional) – 要使用的距离度量。距离函数可以是 'canberra'、'chebyshev'、'cityblock'、'correlation'、'cosine'、'euclidean'、'hamming'、'hellinger'、'jensenshannon'、'kl_divergence'、'matching'、'minkowski'、'russellrao'、'sqeuclidean'。

  • out (cupy.ndarray, optional) – 输出数组。如果不为 None，距离矩阵 Y 将存储在此数组中。

  • **kwargs (dict, optional) – metric 的额外参数：请参阅每个度量文档以获取所有可能参数的列表。一些可能参数：p (float)：对 Minkowski、加权和未加权应用的 p 范数。默认值：2.0

返回值:

返回一个压缩的距离矩阵 Y。对于每个 \(i\) 和 \(j\) (其中 \(i < j < m\))，其中 m 是原始观测值的数量。计算度量 dist(u=X[i], v=X[j]) 并存储在条目 m * i + j - ((i + 2) * (i + 1)) // 2 中。

返回类型:

Y (cupy.ndarray)