pysal.lib.cg.distance_matrix¶

pysal.lib.cg.distance_matrix(X, p=2.0, threshold=50000000.0)[源代码]¶

距离矩阵

XXX需要与Pysal中的其他权重进行优化/集成

参数:	X : 安，N，K，numpy.ndarray 其中n是观察次数k是调光次数（2代表x，y） p : 浮动 Minkowski p-norm距离度量参数：1<=p<=无穷大2:欧几里得距离1:曼哈顿距离 门槛 : 正整数 如果（n**2）*32>阈值使用scipy.spatial.Distance_矩阵而不是在RAM中工作，则这大致是将使用的RAM数量（以字节为单位）。

实例

>>> x,y=[r.flatten() for r in np.indices((3,3))]
>>> data = np.array([x,y]).T
>>> d=distance_matrix(data)
>>> np.array(d)
array([[0.        , 1.        , 2.        , 1.        , 1.41421356,
        2.23606798, 2.        , 2.23606798, 2.82842712],
       [1.        , 0.        , 1.        , 1.41421356, 1.        ,
        1.41421356, 2.23606798, 2.        , 2.23606798],
       [2.        , 1.        , 0.        , 2.23606798, 1.41421356,
        1.        , 2.82842712, 2.23606798, 2.        ],
       [1.        , 1.41421356, 2.23606798, 0.        , 1.        ,
        2.        , 1.        , 1.41421356, 2.23606798],
       [1.41421356, 1.        , 1.41421356, 1.        , 0.        ,
        1.        , 1.41421356, 1.        , 1.41421356],
       [2.23606798, 1.41421356, 1.        , 2.        , 1.        ,
        0.        , 2.23606798, 1.41421356, 1.        ],
       [2.        , 2.23606798, 2.82842712, 1.        , 1.41421356,
        2.23606798, 0.        , 1.        , 2.        ],
       [2.23606798, 2.        , 2.23606798, 1.41421356, 1.        ,
        1.41421356, 1.        , 0.        , 1.        ],
       [2.82842712, 2.23606798, 2.        , 2.23606798, 1.41421356,
        1.        , 2.        , 1.        , 0.        ]])