使用fastdtw计算变长多维数组相似度报错及解决方案咨询

你遇到的报错根本原因有两层：

1. 你传入的数据集是不规则嵌套结构（子数组长度不一致），直接转np.array时numpy无法生成标准的同维度数值数组，本身就会抛出警告/错误
2. fastdtw默认使用的欧氏距离仅支持计算两个长度相同的向量的距离，无法处理长度不等的子数组的距离计算

fastdtw本身支持自定义距离函数，你不需要用默认的欧氏距离，自己实现一个适配变长子数组的距离度量传入dist参数即可，同时不需要提前把不规则数组转为numpy数组，直接传入原生列表即可运行，示例代码如下：

from fastdtw import fastdtw
import numpy as np

# 自定义变长数组距离计算函数，可根据你的业务需求替换为其他度量
def variable_len_dist(arr1, arr2):
    # 示例方案：将两个数组补零到相同长度后计算欧氏距离
    max_len = max(len(arr1), len(arr2))
    pad1 = np.pad(np.array(arr1, dtype=np.float64), (0, max_len - len(arr1)), constant_values=0)
    pad2 = np.pad(np.array(arr2, dtype=np.float64), (0, max_len - len(arr2)), constant_values=0)
    return np.linalg.norm(pad1 - pad2)

dataSetI = [[1, 0.5], [2, 2], []]
dataSetII = [[1, 1,3,5], [1, 0.51], [2, 1,5,6,7]]

distance, path = fastdtw(dataSetI, dataSetII, dist=variable_len_dist)
print(distance)

如果你的需求更复杂，也可以用以下工具库实现同类需求：

• dtw-python：比fastdtw功能更完善的DTW实现，支持自定义约束、多尺度匹配，对变长特征的适配性更好
• tslearn：专门处理时序数据的工具库，内置了支持不等长序列的DTW、Soft-DTW等多种相似度度量，不需要手动实现距离函数，调用更便捷

内容的提问来源于stack exchange，提问作者frankie lee