确定数据集中相邻点之间的平均欧氏距离

如何解决确定数据集中相邻点之间的平均欧氏距离

我想计算 2D 数据集 (xCoords,yCoords) 中的平均欧几里得距离，但仅计算相邻点之间的距离。

举个例子：

>>> ser.sort_index(ascending=True)
Category
0              28793.78
Amazon          6380.09
Boots            239.62
Newspapers       279.76
Supermarker     5895.26
Taxi             324.79
dtype: float64

我想找到点之间的欧几里得距离，但只找到彼此相邻的点。我的任务可能有 numpy、scipy 或 sklearn 函数（或其他一些函数）吗？

编辑：

举个例子：

我想要的：

我不想要的：

我不想计算从每个数据点到所有其他数据点的欧几里德距离。

解决方法

Sklearn 有 eucliedean_distances 函数：https://scikit-learn.org/stable/modules/generated/sklearn.metrics.pairwise.euclidean_distances.html

>>> from sklearn.metrics.pairwise import euclidean_distances
>>> X = [[0,1],[1,1]]
>>> # distance between rows of X
>>> euclidean_distances(X,X)
array([[0.,1.],[1.,0.]])
>>> # get distance to origin
>>> euclidean_distances(X,[[0,0]])
array([[1.        ],[1.41421356]])

该函数返回一个矩阵，其中包含每对坐标之间的欧几里得距离，如果这不是您所需要的，您可以使用您想要获得这些“相邻距离”的规则来过滤该矩阵。

或者您可能需要某种聚类算法（如 k-means），它将划分聚类中最近的点，然后获得每个聚类的平均距离。