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

1. def euclidean_distance(matrix1, matrix2):
2.     distances = np.zeros((matrix1.shape[0], matrix2.shape[0]))
3.     d1 = np.sum(np.square(matrix1), axis=1, keepdims=True)
4.     d2 = np.sum(np.square(matrix2), axis=1)
5.     d3 = 2 * (matrix1 @ matrix2.T)
6.     distances = np.sqrt(d1 + d2 - d3)
7.     return distances

复制代码

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：

1. import numpy as np
3. def euclidean_distance(A, B):
4.     N = A.shape[0]
5.     distances = np.zeros(N)
6.     for i in range(N):
7.         distance = np.sqrt(np.sum((A[i] - B[i])**2))
8.         distances[i] = distance
9.     total_distance = np.sum(distances)
10.     return total_distance
12. # 示例使用
13. A = np.array([[1, 2, 3], [4, 5, 6]])
14. B = np.array([[2, 3, 4], [5, 6, 7]])
16. distance = euclidean_distance(A, B)
17. print(distance)

复制代码

输出效果为：

1. 4.242640687119285

复制代码

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。