🥭Python或R时偏移算法实现
1. 计算单变量或多变量时序距离，使用欧几里得、曼哈顿等函数量化不同时序差异。 2. 量化生成时序之间接近度相似性矩阵。 3. 使用高尔距离和堪培拉距离等相似度测量。 4. 实现最小方差匹配算法，绘制步进模式的图形表示。 5. 其他语言包算法实现。
🍪语言内容分比
🍇Python距离矩阵
我们计算两个矩阵 x 和 y 的距离矩阵。两个矩阵的维度相同 (3, 2)。因此距离矩阵的维度为 (3,3)。使用 p=2，距离计算为闵可夫斯基 2 范数（或欧几里得距离）。
import numpy as np
from scipy.spatial import distance_matrix
x = np.array([[1,2],[2,1],[2,2]])
y = np.array([[5,0],[1,2],[2,0]])
print("matrix x:\n", x)
print("matrix y:\n", y)
dist_mat = distance_matrix(x, y, p=2)
print("Distance Matrix:\n", dist_mat)
matrix x:
[[1 2]
[2 1]
[2 2]]
matrix y:
[[5 0]
[1 2]
[2 0]]
Distance Matrix:
[[4.47213595 2.23606798]
[3.16227766 1.41421356 1.]
[3.60555128 1. 2. ]]
我们计算两个矩阵 x 和 y 的距离矩阵。两个矩阵的维度不同。矩阵 x 的维度为 (3,2)，矩阵 y 的维度为 (5,2)。因此距离矩阵的维度为 (3,5)。
import numpy as np
from scipy.spatial import distance_matrix
x = np.array([[1,2],[2,1],[2,2]])
y = np.array([[0,0],[0,0],[1,1],[1,1],[1,2]])
print("matrix x:\n", x)
print("matrix y:\n", y)
dist_mat = distance_matrix(x, y, p=2)
print("Distance Matrix:\n", dist_mat)
我们使用单个矩阵（即 x）计算距离矩阵。矩阵 x 的维度为 (3,2)。相同的矩阵 x 作为参数 y 给出。距离矩阵的维度为 (3,3)。
import numpy as np
from scipy.spatial import distance_matrix
x = np.array([[1,2],[2,1],[2,2]])
print("matrix x:\n", x)
dist_mat = distance_matrix(x, x, p=2)
print("Distance Matrix:\n", dist_mat)
我们计算两个矩阵 x 和 y 的距离矩阵。两个矩阵的维度不同。矩阵 x 的维度为 (3,2)，矩阵 y 的维度为 (5,2)。因此距离矩阵的维度为 (3,5)。使用 p=1，距离计算为闵可夫斯基1 范数（或曼哈顿距离）。
import numpy as np
from scipy.spatial import distance_matrix
x = np.array([[1,2],[2,1],[2,2]])
y = np.array([[5,0],[1,2],[2,0]])
print("matrix x:\n", x)
print("matrix y:\n", y)
dist_mat = distance_matrix(x, y, p=1)
print("Distance Matrix:\n", dist_mat)
我们计算两个矩阵 x 和 y 的距离矩阵。两个矩阵的维度均为 (2, 5)。因此距离矩阵的维度为 (3,5)。使用 p=2，距离计算为闵可夫斯基 2 范数（或欧几里得距离）。
import numpy as np
from scipy.spatial import distance_matrix
x = np.array([[1,2,3,4,5],[2,1,0,3,4]])
y = np.array([[0,0,0,0,1],[1,1,1,1,2]])
print("matrix x:\n", x)
print("matrix y:\n", y)
dist_mat = distance_matrix(x, y, p=2)
print("Distance Matrix:\n", dist_mat)
