主要内容

Pdist.

对观察成对之间的成对距离

页面上倒塌

句法

d = pdist（x）
d = Pdist（x，距离）
d = Pdist（x，距离，distparameter）

描述

例子

D.= pdist（X）返回在观察成对之间的欧几里德距离X。

例子

D.= pdist（X那距离）使用指定的方法返回距离距离。

例子

D.= pdist（X那距离那distparameter.）使用指定的方法返回距离距离和distparameter.。您可以指定distparameter.只有当距离是'seuclidean'那'minkowski'， 或者'mahalanobis'。

例子

全部收缩

打开直播脚本

计算观察成对之间的欧几里德距离，并使用距离向量转换为矩阵方形。

创建具有三个观察和两个变量的矩阵。

RNG（'默认'）重复性的％x = rand（3,2）;

计算欧几里德距离。

d = pdist（x）
d =1×3.0.2954 1.0670 0.9448

成对距离按顺序（2,1），（3,1），（3,2）排列。您可以轻松找到观察之间的距离一世和j通过使用方形。

z =方形格式（d）
z =3×30 0.2954 1.0670 0.2954 0 0.9448 1.0670 0.9448 0

方形返回一个对称矩阵在其中Z（i，j）对应于观察之间的成对距离一世和j。例如，您可以找到观察到2和3之间的距离。

Z（2,3）
ans = 0.9448.

经过Z.到了方形复制输出的功能Pdist.功能。

Y = SquareForm（Z）
y =1×3.0.2954 1.0670 0.9448

产出y从方形和D.从Pdist.是相同的。

打开直播脚本

创建具有三个观察和两个变量的矩阵。

RNG（'默认'）重复性的％x = rand（3,2）;

使用默认指数2计算Minkowski距离。

d1 = pdist（x，'minkowski'）
D1 =1×3.0.2954 1.0670 0.9448

使用1的指数计算Minkowski距离，其等于城市块距离。

d2 = pdist（x，'minkowski'1）
D2 =1×3.0.3721 1.5036 1.3136
d3 = pdist（x，'城市街区'）
D3 =1×3.0.3721 1.5036 1.3136
打开直播脚本

定义自定义距离函数，忽略坐标南使用自定义距离功能计算成对距离。

创建具有三个观察和两个变量的矩阵。

RNG（'默认'）重复性的％x = rand（3,2）;

假设第一观察的第一元素丢失。

X（1,1）=南;

计算欧几里德距离。

d1 = pdist（x）
D1 =1×3.南纳0.9448.

如果观察一世或者j包含南值，功能Pdist.回报南对于两者之间的成对距离一世和j。因此，D1（1）和D1（2），成对距离（2,1）和（3,1）是南价值观。

定义自定义距离功能nanyucdist.忽略坐标南值并返回欧几里德距离。

功能d2 = naneucdist（xi，xj）％Naneucdist欧几里德距离忽略与NAN的坐标n =尺寸（xi，2）;sqdx =（xi-xj）。^ 2;nstar = sum（〜isnan（sqdx），2）;％不包含NAN的成对数nstar（nstar == 0）= nan;如果所有对包括NANS，则返回NANd2squared = sum（sqdx，2，'omitnan'）。* n./nstar;丢失坐标的％校正d2 = sqrt（d2squared）;

计算距离nanyucdist.通过函数句柄作为输入参数Pdist.。

d2 = pdist（x，@ naneucdist）
D2 =1×3.0.3974 1.1538 0.9448

输入参数

全部收缩

输入数据，指定为大小的数字矩阵m-经过-N。行对应于个别观测，列对应于单个变量。

数据类型：单身的|双倍的

如下表所述，指定为字符向量，字符串标量或函数句柄的距离度量。

价值 描述
'euclidean'

欧几里德距离（默认）。
'squareduclidean'

平方欧几里德距离。（此选项仅提供效率。它不满足三角不等式。）
'seuclidean'

标准化的欧几里德距离。观察之间的每个坐标差异通过除以标准偏差的相应元素来缩放，s = std（x，'omitnan'）。使用distparameter.指定另一个值S.。
'mahalanobis'

使用样本协方差的Mahalanobis距离X那C = COV（x，'omitrows'）。使用distparameter.指定另一个值C，其中矩阵C是对称和积极的明确。
'城市街区'

城市街区距离。
'minkowski'

Minkowski距离。默认指数为2.使用distparameter.指定不同的指数P.， 在哪里P.是指数的正标量值。
'chebbychev'

Chebychev距离（最大坐标差异）。
'余弦'

一个减去点之间的晶的角度（视为载体）之间的余弦。
'相关性'

一个减去点之间的样本相关性（作为值序列）之间的样本相关性。
'汉明'

汉明距离，这是坐标的百分比。
'jaccard'

一个减去Jaccard系数，这是非零坐标的百分比。
“矛曼”

一个减去样本Spearman的观察之间的秩相关性（视为值序列）。
@DISTFUN

自定义距离功能句柄。距离功能具有表单

功能d2 = distfun（zi，zj）％计算距离......
在哪里

  • Zi.是A.1-经过-N载体含有单个观察。

  • ZJ.是一个M2-经过-N矩阵包含多个观察。DISTFUN必须接受矩阵ZJ.具有任意数量的观察。

  • D2是一个M2-经过-1距离矢量，和D2（k）是观察之间的距离Zi.和zj（k，:)。

如果您的数据不稀疏，则通常可以通过使用内置距离而不是函数句柄来更快地计算距离。

有关定义，请参阅距离指标。

当你使用时'seuclidean'那'minkowski'， 或者'mahalanobis'，您可以指定其他输入参数distparameter.控制这些指标。您还可以以与具有默认值相同的指标使用这些指标distparameter.。

例子：'minkowski'

距离度量参数值，指定为正标量，数字矢量或数字矩阵。此参数仅在指定时有效距离作为'seuclidean'那'minkowski'， 或者'mahalanobis'。

  • 如果距离是'seuclidean'那distparameter.是每个维度的缩放因子的矢量，指定为正矢量。默认值是std（x，'omitnan'）。

  • 如果距离是'minkowski'那distparameter.是Minkowski距离的指数，指定为正标量。默认值为2。

  • 如果距离是'mahalanobis'那distparameter.是一个协方差矩阵，指定为数字矩阵。默认值是COV（x，'omitrows'）。distparameter.必须是对称和积极的明确。

例子：'Minkowski'，3

数据类型：单身的|双倍的

输出参数

全部收缩

成对距离，作为数字行向量的长度返回m（m-1）/ 2，对应于对观察成对，在哪里m是观察人数X。

距离按顺序排列（2,1），（3,1），...，（m，1），（3,2），......，（m，2），......，（m那m-1），即，左侧三角形m-经过-m列顺序中的距离矩阵。观察之间的成对距离一世和j是D（（I-1）*（M-I / 2）+ J-I）为了一世≤.j。

你可以转换D.通过使用通过的对称矩阵方形功能。z =方形格式（d）返回A.m-经过-m矩阵在哪里Z（i，j）对应于观察之间的成对距离一世和j。

如果观察一世或者j包含南s，那么相应的价值D.是南对于内置距离函数。

D.通常用作聚类或多维缩放中的异化矩阵。有关详细信息，请参阅分层群集和功能参考页面cmdscale.那COPHENET.那连锁那mdscale.， 和OptimAlleafOrder.。这些功能需要D.作为输入参数。

更多关于

全部收缩

距离指标

距离度量是定义两个观察之间距离的函数。Pdist.金宝app支持各种距离指标：欧几里德距离，标准化的欧几里德距离，马哈拉诺比斯距离，城市块距离，Minkowski距离，Chebychev距离，余弦距离，相关距离，汉明距离，Jactard距离和矛盾距离。

给予A.m-经过-N数据矩阵X，被视为m（1-by-N）行向量X1那X2，......，Xm，矢量之间的各种距离XS.和XT.定义如下：

  • 欧几里德距离

    D. S. T. 2 = （ X S. - X T. ） （ X S. - X T. ） ' 。

    欧几里德距离是Minkowski距离的特殊情况，在哪里P.= 2。

  • 标准化的欧几里德距离

    D. S. T. 2 = （ X S. - X T. ） V. - 1 （ X S. - X T. ） ' 那

    在哪里V.是个N-经过-N对角线矩阵谁jth对角形元素是（S.（j）））2， 在哪里S.是每个维度的缩放因子的矢量。

  • Mahalanobis距离

    D. S. T. 2 = （ X S. - X T. ） C - 1 （ X S. - X T. ） ' 那

    在哪里C是协方差矩阵。

  • 城市街区距离

    D. S. T. = σ. j = 1 N | X S. j - X T. j | 。

    城市街区距离是Minkowski距离的特殊情况，在哪里P.= 1。

  • Minkowski距离

    D. S. T. = σ. j = 1 N | X S. j - X T. j | P. P. 。

    对于特例P.= 1，Minkowski距离给出了城市街区距离。对于特例P.= 2，Minkowski距离给出了欧几里德距离。对于特例P.=∞，Minkowski距离给出了Chebychev距离。

  • Chebychev距离

    D. S. T. = 最大限度 j { | X S. j - X T. j | } 。

    Chebychev距离是Minkowski距离的特殊情况，在哪里P.=∞。

  • 余弦距离

    D. S. T. = 1 - X S. X ' T. （ X S. X ' S. ） （ X T. X ' T. ） 。

  • 相关距离

    D. S. T. = 1 - （ X S. - X ¯ S. ） （ X T. - X ¯ T. ） ' （ X S. - X ¯ S. ） （ X S. - X ¯ S. ） ' （ X T. - X ¯ T. ） （ X T. - X ¯ T. ） ' 那

    在哪里

    X ¯ S. = 1 N σ. j X S. j 和 X ¯ T. = 1 N σ. j X T. j 。

  • 汉明距离

    D. S. T. = （ ＃ （ X S. j ≠ X T. j ） / N ） 。

  • jaccard距离

    D. S. T. = ＃ [ （ X S. j ≠ X T. j ） ∩ （ （ X S. j ≠ 0. ） ∪ （ X T. j ≠ 0. ） ） ] ＃ [ （ X S. j ≠ 0. ） ∪ （ X T. j ≠ 0. ） ] 。

  • 斯普曼距离

    D. S. T. = 1 - （ R. S. - R. ¯ S. ） （ R. T. - R. ¯ T. ） ' （ R. S. - R. ¯ S. ） （ R. S. - R. ¯ S. ） ' （ R. T. - R. ¯ T. ） （ R. T. - R. ¯ T. ） ' 那

    在哪里

    • R.SJ.是等级XSJ.被占领了X1j那X2j，......XMJ.，如图所示Tiedrank.。

    • R.S.和R.T.是坐标 - 明智的等级矢量XS.和XT.， IE。，R.S.=（R.S.1那R.S.2，......R.桑）。

    • R. ¯ S. = 1 N σ. j R. S. j = （ N + 1 ） 2 。

    • R. ¯ T. = 1 N σ. j R. T. j = （ N + 1 ） 2 。

扩展能力

也可以看看

|||||||||

主题

在R2006A之前介绍

统计和机器学习工具箱文档

金宝app

掌握机器学习：使用MATLAB逐步指南

掌握机器学习：使用MATLAB逐步指南

下载电子书