python numpy成对编辑距离

因此，我有一个字符串的numpy数组，我想使用此函数计算每对元素之间的成对编辑距离:http://docs.scipy.org/doc/scipy-0.13.0/reference/generated/scipy.spatial.distance.pdist.html的scipy.spatial.distance.pdist

我的数组的示例如下:

 >>> d[0:10]
 array(['TTTTT', 'ATTTT', 'CTTTT', 'GTTTT', 'TATTT', 'AATTT', 'CATTT',
   'GATTT', 'TCTTT', 'ACTTT'],
  dtype='|S5')

但是，由于它没有'editdistance'选项，因此，我想提供一个自定义的距离函数。我尝试了此操作，但遇到了以下错误:

 >>> import editdist
 >>> import scipy
 >>> import scipy.spatial
 >>> scipy.spatial.distance.pdist(d[0:10], lambda u,v: editdist.distance(u,v))

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/local/epd-7.3.2/lib/python2.7/site-packages/scipy/spatial/distance.py", line 1150, in pdist
    [X] = _copy_arrays_if_base_present([_convert_to_double(X)])
  File "/usr/local/epd-7.3.2/lib/python2.7/site-packages/scipy/spatial/distance.py", line 153, in _convert_to_double
    X = np.double(X)
ValueError: could not convert string to float: TTTTT

最佳答案

如果确实必须使用pdist，则首先需要将字符串转换为数字格式。如果您知道所有字符串的长度都相同，则可以很容易地做到这一点:

numeric_d = d.view(np.uint8).reshape((len(d),-1))

这只是将您的字符串数组视为uint8字节的长数组，然后对其进行重塑，以使每个原始字符串单独位于一行上。在您的示例中，这看起来像:

In [18]: d.view(np.uint8).reshape((len(d),-1))
Out[18]:
array([[84, 84, 84, 84, 84],
       [65, 84, 84, 84, 84],
       [67, 84, 84, 84, 84],
       [71, 84, 84, 84, 84],
       [84, 65, 84, 84, 84],
       [65, 65, 84, 84, 84],
       [67, 65, 84, 84, 84],
       [71, 65, 84, 84, 84],
       [84, 67, 84, 84, 84],
       [65, 67, 84, 84, 84]], dtype=uint8)

然后，您可以像往常一样使用pdist。只需确保editdist函数期望使用整数数组即可，而不是字符串。您可以通过调用.tostring()快速转换您的新输入:

def editdist(x, y):
  s1 = x.tostring()
  s2 = y.tostring()
  ... rest of function as before ...