在scipy中向pdist指定缺失值

Question

在scipy中調用pdist時如何指定缺失值？即這裏所描述的功能：

http://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.pdist.html

例如，如果您有：

pdist(X, "euclidean") 

但X可能包含缺失值，如串"NA"，你想那些中X被排除在兩兩比較的專欄。我在尋找的行爲是在X的任何一對列之間獲得歐幾里得距離時不考慮缺失值。

Answer 1

最好的方法是用np.nan填充你的X數組以排除點。例如，假設一個2D的情況與X中的（10,2）陣列：

import numpy as np 
X = np.random.rand(10, 2) 

假設要排除X [7]從計算：

X[7] = np.nan 
my_dist = pdist(X, "euclidean") 

然後，」將會看到my_dist對包含與排除元素計算距離的對具有'nan'。您可以排除多個元素。

一個更好的主意是使用numpy的蒙面數組，但pdist會忽略蒙面數組並使用數據。然而，一旦你有輸出my_dist，你可以將它轉換爲一個掩模陣列，這樣nans就不會妨礙未來的陣列操作：

my_dist = np.ma.array(my_dist, mask = ~np.isfinite(my_dist))