从x，y，z坐标计算欧几里得距离矩阵

问题描述：

我有一个来自主成分分析的x，y和z坐标，我想计算一个欧几里得距离矩阵。从x，y，z坐标计算欧几里得距离矩阵

测试数据：

    X   Y    Z 
samp_A -0.003467119 -0.01422762 -0.0101960126 
samp_B -0.007279433 0.01651597 0.0045558849 
samp_C -0.005392258 0.02149997 0.0177409387 
samp_D -0.017898802 0.02790659 0.0006487222 
samp_E -0.013564214 0.01835688 0.0008102952 
samp_F -0.013375397 0.02210725 -0.0286032185

我最终会喜欢下面的格式返回表：以上

A B  ... 
A 0 0.2 ... 
B 0.2 0  ... 
... ... ... ... 
... ... ... ...

显然距离数据是假的。 X，Y和Z数据只是完整数据集的头部。完整的数据集包含大约4000个样本。我认为这需要做一个有效的方式。如果比较容易，那么计算最近的距离，比如说10分就足够了（剩下的点将是NA或者0）。

任何帮助将不胜感激！

编辑：建议使用dist出现，但我不相信这允许三个坐标。如果我使用dist，结果似乎是无稽之谈（？）。

> pca_coords_dist <- dist(pca_coords) 
> head(pca_coords_dist) 
[1] 0.03431210 0.04539427 0.04583855 0.03584466 0.04191922 0.04291657

我相信去了解这一个方法是创建一个函数来计算距离，并将其应用到每一行成对方式。 I 认为这是计算三维距离的正确函数。

euc.dist.3 <- function(x1, x2, y1, y2, z1, z2) sqrt((x2 - x1)^2 + (y2 - y1)^2 + (z2 - z1)^2)

如果我将此应用于sampA和sampB，结果为1.56643。

现在，有没有办法将这个函数应用于每个成对的行？并将输出格式化为距离矩阵？

'dist'是你所需要的 –

这是我的理解是'dist'不使用三个坐标。我需要以成对的方式对每一行应用一个函数。 – user2117258

如果你为A和B做'euc.dist.3'，它会给出0.0343121。做'euc.dist.3'（-0.003467119，-0.007279433，-0.01422762,0.01651597，-0.0101960126,0.0045558849）' –

答

尝试? dist在R：

distance.matrix <- dist(yourData, method = "euclidean", diag = T)

在上面的代码，yourData是您的data.frame或矩阵

它是'data.frame' – user2117258

我不相信'dist'支持三个坐标。请参阅上面的修改。 – user2117258

** dist **返回一个距离矩阵，假设** dis.mat **和** dis.mat [i，j] **表示您的** data.frame *之间的一种距离的值。 * _ith_ row和_jth_ row –

答

编辑： DIST（），如通过表示Xiaotao Luo和Richard Telford适用于3D坐标。事实上，这个答案给出了与dist()相同的结果。所以使用dist()！

你可以做同样的事情到this答案：

首先创建一个索引矩阵与所有成对排组合：

使用：

x = matrix(runif(15),nrow = 5) 

      [,1]  [,2]  [,3] 
[1,] 0.1307924 0.94255848 0.55138616 
[2,] 0.7027617 0.11180608 0.73997077 
[3,] 0.5573857 0.64836253 0.11229408 
[4,] 0.4391854 0.04849022 0.93454137 
[5,] 0.5292623 0.19308569 0.00826927 

ind = t(combn(nrow(x), 2)) 

> ind 
     [,1] [,2] 
[1,] 1 2 
[2,] 1 3 
[3,] 1 4 
[4,] 1 5 
[5,] 2 3 
[6,] 2 4 
[7,] 2 5 
[8,] 3 4 
[9,] 3 5 
[10,] 4 5

然后进行计算出所有的3D距离这些组合使用适用：

distances = apply(ind, 1, function(z){ 
    sqrt(sum((x[z[1],] - x[z[2], ])^2)) 
})

这给：

> cbind(data.frame(ind), distances) 
    X1 X2 distances 
1 1 2 1.0260910 
2 1 3 0.6792164 
3 1 4 1.0204275 
4 1 5 1.0077022 
5 2 3 0.8384540 
6 2 4 0.3336751 
7 2 5 0.7563700 
8 3 4 1.0246505 
9 3 5 0.4678558 
10 4 5 0.9418077

简单：

ind = t(combn(nrow(x), 2)) 
distances = apply(ind, 1, function(z){ 
    sqrt(sum((x[z[1],] - x[z[2], ])^2)) 
}) 
result = cbind(data.frame(ind), distances)

其中x是与你的3D矩阵坐标

从x，y，z坐标计算欧几里得距离矩阵

相关推荐