如何使用嵌套循环移除矩阵对角项后计算样本成对距离的中位数

核矩阵维度问题解答 #

可以从100×1的输入得到100×100的矩阵。核矩阵本身的维度与样本数量一致，为n×n格式，其中第i行第j列的元素对应第i个和第j个样本的核函数计算结果。你只需要遍历所有i、j组合，用你提到的3维空间点积方法计算k(X[i], X[j])，把结果填入对应位置即可得到目标矩阵。

中位数计算代码修复 #

你原有代码存在以下问题：

• 函数定义名和调用名不一致，定义的是median_cal，调用时写的是median_distance
• dist初始化代码被注释，且列表推导式没有实际给dist元素赋值的逻辑，空跑无效果
• 错误将已生成的距离矩阵传入distance.pdist，该方法本身是用来计算输入样本的两两距离，不需要二次处理已生成的距离矩阵

修复后代码 #

首先导入依赖：

import numpy as np
from scipy.spatial import distance

按你的要求初始化dist变量的实现：

def median_cal(X):
    # X: n*1 matrix
    # 初始化n×n维度的dist空矩阵
    dist = np.empty((len(X), len(X)), float)
    n = len(X)
    # 填充dist矩阵为两两样本的欧氏距离
    for i in range(n):
        for j in range(n):
            dist[i, j] = np.linalg.norm(X[i] - X[j])
    
    # 提取非对角元素（移除i=j的对角项）
    non_diag_items = dist[~np.eye(n, dtype=bool)]
    # 计算中位数
    h = np.median(non_diag_items)
    return h

h = median_cal(np.array([[1],[2],[4]]))
print('final: h')
print(h)
# 输出为2.0，符合预期

内容的提问来源于stack exchange，提问作者Adam Rainah