与Python初学者在这里。 所以，我在遇到麻烦尝试计算输入矩阵的只使用numpy的库行之间产生的二进制成对hammington距离矩阵。 我应该避免环路和使用矢量化。 例如如果我有这样的：
[ 1, 0, 0, 1, 1, 0]
[ 1, 0, 0, 0, 0, 0]
[ 1, 1, 1, 1, 0, 0]
矩阵应该是这样的：
[ 0, 2, 3]
[ 2, 0, 3]
[ 3, 3, 0]
即，如果原始矩阵是A和汉明距离矩阵是B. B [0,1] =汉明距离（A [0]和A [1]）。 在这种情况下，答案是2，因为他们只有两个不同的元素。
因此，对于我的代码是这样的
def compute_HammingDistance(X):
hammingDistanceMatrix = np.zeros(shape = (len(X), len(X)))
hammingDistanceMatrix = np.count_nonzero ((X[:,:,None] != X[:,:,None].T))
return hammingDistanceMatrix
然而这似乎只是返回一个标量值，而不是预期的矩阵。 我知道我可能做错事与阵列/矢量广播，但我无法弄清楚如何解决它。 我已经使用np.sum代替np.count_nonzero尝试，但他们都非常给了我类似的东西。
试试这个办法，建立沿新轴axis = 1 ，然后做广播和计数trues或非零sum ：
(arr[:, None, :] != arr).sum(2)
# array([[0, 2, 3],
# [2, 0, 3],
# [3, 3, 0]])
def compute_HammingDistance(X):
return (X[:, None, :] != X).sum(2)
说明 ：
1）创建，其具有的形状的3D阵列（3,1,6）
arr[:, None, :]
#array([[[1, 0, 0, 1, 1, 0]],
# [[1, 0, 0, 0, 0, 0]],
# [[1, 1, 1, 1, 0, 0]]])
2）这是一个二维数组已形状（3,6）
arr
#array([[1, 0, 0, 1, 1, 0],
# [1, 0, 0, 0, 0, 0],
# [1, 1, 1, 1, 0, 0]])
3）这触发广播，因为它们的形状不匹配，并且2D阵列ARR首先沿着3D阵列ARR的0轴广播[：，无，：]，然后我们有形状（1数组，6）是广播的针对（3,6）。 这两个步骤广播一起使原始数组的笛卡尔比较。
arr[:, None, :] != arr
#array([[[False, False, False, False, False, False],
# [False, False, False, True, True, False],
# [False, True, True, False, True, False]],
# [[False, False, False, True, True, False],
# [False, False, False, False, False, False],
# [False, True, True, True, False, False]],
# [[False, True, True, False, True, False],
# [False, True, True, True, False, False],
# [False, False, False, False, False, False]]], dtype=bool)
4） sum沿所述第三轴线计数有多少个元素是不相等的，即，trues其给出的汉明距离。
至于原因，我不明白这一点
(2 * np.inner(a-0.5, 0.5-a) + a.shape[1] / 2)
似乎远快于@ Psidom是为更大的阵列：
a = np.random.randint(0,2,(100,1000))
timeit(lambda: (a[:, None, :] != a).sum(2), number=100)
# 2.297890231013298
timeit(lambda: (2 * np.inner(a-0.5, 0.5-a) + a.shape[1] / 2), number=100)
# 0.10616962902713567
Psidom的是非常小的例子更快一点：
a
# array([[1, 0, 0, 1, 1, 0],
# [1, 0, 0, 0, 0, 0],
# [1, 1, 1, 1, 0, 0]])
timeit(lambda: (a[:, None, :] != a).sum(2), number=100)
# 0.0004370050155557692
timeit(lambda: (2 * np.inner(a-0.5, 0.5-a) + a.shape[1] / 2), number=100)
# 0.00068191799800843
更新
部分原因似乎是彩车比其他dtypes快：
timeit(lambda: (0.5 * np.inner(2*a-1, 1-2*a) + a.shape[1] / 2), number=100)
# 0.7315902590053156
timeit(lambda: (0.5 * np.inner(2.0*a-1, 1-2.0*a) + a.shape[1] / 2), number=100)
# 0.12021801102673635
