仅使用for循环计算二进制矩阵行距离矩阵的技术求助

我明白你现在卡在了用for循环计算二进制矩阵行之间的距离矩阵上，别担心，咱们一步步来解决这个问题——你要计算的其实是汉明距离：两个向量对应位置不同元素的个数，最终得到的对称矩阵里，(i,j)位置的值就是第i行和第j行的汉明距离。

先给你正确的两层For循环实现代码 #

首先确保你导入了numpy，然后按照下面的代码来写，就能得到你想要的结果：

import numpy as np

# 你的输入二进制矩阵
binary_matrix = np.matrix([[0,0,0], [1,0,1], [1,1,1]])
n_rows = binary_matrix.shape[0]  # 获取矩阵的行数，这里是3

# 初始化一个全零的结果矩阵，类型设为整数
distance_matrix = np.zeros((n_rows, n_rows), dtype=int)

# 第一层循环：遍历每一行i
for i in range(n_rows):
    # 把第i行转换成一维数组，避免matrix类型的维度问题
    row_i = binary_matrix[i].A.flatten()
    # 第二层循环：遍历每一行j
    for j in range(n_rows):
        row_j = binary_matrix[j].A.flatten()
        # 计算两行不同元素的数量：先逐位置比较是否不等，再求和（True=1，False=0）
        diff_count = np.sum(row_i != row_j)
        # 赋值到结果矩阵的对应位置
        distance_matrix[i, j] = diff_count

print(distance_matrix)

运行这段代码后，你就能得到目标矩阵：

[[0 2 3]
 [2 0 1]
 [3 1 0]]

为什么你之前的遍历可能出错？ #

大概率是你在处理矩阵行的时候遇到了维度问题：np.matrix的行是二维的matrix对象，直接用来逐元素比较会有麻烦。用.A.flatten()可以把它转换成一维的numpy数组，这样就能顺利进行逐位置的不等判断了。

另外，用np.sum(row_i != row_j)比手动逐个判断累加更简洁，也不容易出现计数错误——布尔数组里的True会被当作1，False当作0，求和直接得到不同元素的总数。

优化版For循环（利用矩阵对称性减少计算） #

因为距离矩阵是对称的（第i行和第j行的距离等于第j行和第i行的距离），而且对角线元素都是0（自己和自己的距离为0），我们可以优化循环，只计算上三角部分，减少一半的计算量：

import numpy as np

binary_matrix = np.matrix([[0,0,0], [1,0,1], [1,1,1]])
n_rows = binary_matrix.shape[0]
distance_matrix = np.zeros((n_rows, n_rows), dtype=int)

for i in range(n_rows):
    row_i = binary_matrix[i].A.flatten()
    distance_matrix[i, i] = 0  # 对角线元素直接设为0
    # 只遍历i之后的行j，避免重复计算
    for j in range(i + 1, n_rows):
        row_j = binary_matrix[j].A.flatten()
        diff_count = np.sum(row_i != row_j)
        distance_matrix[i, j] = diff_count
        distance_matrix[j, i] = diff_count  # 对称位置赋值

print(distance_matrix)

额外补充：非For循环的高效实现（可选） #

虽然你要求用For循环，但还是提一句：如果后续不需要限制循环，用scipy的工具可以一行搞定：

from scipy.spatial.distance import cdist

distance_matrix = cdist(binary_matrix, binary_matrix, metric='hamming') * binary_matrix.shape[1]
distance_matrix = distance_matrix.astype(int)

这里的hamming距离返回的是不同元素的比例，乘以每行的长度就得到实际的个数，转换为整数后就是目标矩阵。

内容的提问来源于stack exchange，提问作者mdelas