如何在R中向量化Sorensen-Dice距离矩阵计算？

Sorensen-Dice距离的核心公式：对于两个二进制向量A、B，距离 = 1 - (2×|A∩B|) / (|A| + |B|)，其中|A∩B|是两向量的交集元素数（即点积），|A|、|B|是各自的非零元素数（行和）。利用矩阵运算可实现完全向量化计算，步骤如下：

假设你的独热编码二进制矩阵为X（7300行×239列）：

1. 计算每行的非零元素数：

   row_sums <- rowSums(X)
   

2. 计算所有两两向量的点积（交集元素数）：

   dot_prod <- X %*% t(X)
   

3. 代入公式生成距离矩阵：

   dice_dist <- 1 - (2 * dot_prod) / (row_sums + t(row_sums))
   

4. 处理行和为0的特殊情况（空集与任何集合的Dice距离为1）：

   dice_dist[row_sums == 0 | t(row_sums) == 0] <- 1
   

这种方式依赖底层优化的线性代数库（BLAS/LAPACK），计算效率远高于嵌套循环，7300×7300的矩阵计算仅需数秒即可完成。

对于你的二进制矩阵场景，philentropy::distance()函数中的method = "sorensen"和method = "dice"计算结果完全一致，均对应标准的Sorensen-Dice距离：

• 二进制向量中，sum(min(p, q))等价于sum(p*q)（仅当两元素均为1时取1，与点积结果一致）；
• sum(p^2)等价于sum(p)（二进制元素平方等于自身），因此两种方法的分母sum(p)+sum(q)与sum(p^2)+sum(q^2)完全等价；
• 最终两者的距离公式都简化为1 - (2×|A∩B|)/(|A|+|B|)，符合Sorensen-Dice距离的定义。

注：若处理非二进制的概率向量，两个方法会存在差异，但你的独热编码场景下无需担心。

内容的提问来源于stack exchange，提问作者Arjun Mohan