python：计算两簇3d点云之间的欧式距离
参考链接：参考博客1
参考博客2
推荐示例1
def euclidean_distance(matrix1, matrix2):
distances = np.zeros((matrix1.shape, matrix2.shape))
d1 = np.sum(np.square(matrix1), axis=1, keepdims=True)
d2 = np.sum(np.square(matrix2), axis=1)
d3 = 2 * (matrix1 @ matrix2.T)
distances = np.sqrt(d1 + d2 - d3)
return distances
示例2
假设有两个N*3的矩阵A和B，其中A的每一行表示一个向量a，B的每一行表示一个向量b，那么可以计算每个向量之间的欧式距离。
详细计算步骤如下：
[*]创建一个长度为N的数组，用于存储每个向量之间的欧式距离。
[*]遍历矩阵A和B的每一行，计算对应向量之间的欧式距离。
[*]对每个向量的三个元素进行逐一相减，然后平方。
[*]将平方的效果进行求和。
[*]对求和的效果进行开平方，得到对应向量之间的欧式距离。
[*]将计算得到的欧式距离存储到数组中。
[*]对数组中的欧式距离求和，得到两个矩阵之间的总的欧式距离。
以下是利用Python实现该计算的示例代码：
import numpy as np
def euclidean_distance(A, B):
N = A.shape
distances = np.zeros(N)
for i in range(N):
distance = np.sqrt(np.sum((A - B)**2))
distances = distance
total_distance = np.sum(distances)
return total_distance
# 示例使用
A = np.array([, ])
B = np.array([, ])
distance = euclidean_distance(A, B)
print(distance)
输出效果为：
4.242640687119285
这个示例中，A和B是两个2*3的矩阵，表示两个向量。计算得到的欧式距离为4.242640687119285
。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]