弗雷歇distance&DTW(动态时间规整)算法（附部分代码）

1、理论知识

1.1 什么是弗雷歇距离，它是用来干什么的？

费雷歇distance是求两个序列匹配之后的最大距离，这里需要明确a）两个序列；b）匹配过程；c）最大距离的含义。
a）两个序列的长度可以不同
b）匹配的过程可以是一一对应或者是一对多，这里可以这样理解：（小明拉着他家的狗旺财，在一条笔直的道路上玩耍，假设小明每走一步，旺财也会走一步，这个时候匹配的点就是一一对应的；当小明停下来捡狗屎的时候，如果旺财没有静止的话，旺财走过的所有点与小明当前所在的点就是多对一的关系）
c）最大距离可以理解为上述小明手里狗绳的长度，为什么狗可以走的很远也可以走得很近，因为绳子可能是弹簧绳（笑）。
思考如何实现两个不同长度的序列如何匹配：这里匹配的难点是一对多如何匹配。

1.2 DTW的概念以及算法

引入概念DTW（动态时间规整）这个算法是评估两个序列元素之间的对应关系，根据两个序列元素距离评估两个序列的相似度。这里DTW的作用和弗雷歇距离的是非常相似的，都是评价两个序列之间法的相似程度。
那么DTW是如何进行两个序列的匹配的：这里解释两个匹配中的概念（锁步度量：一对一的匹配；弹性度量：一对多的匹配）。

1. DTW算法要求： 第一个点和第一个点匹配，最后一个点和最后一个点匹配
2. 单向对应，不能回头（就是只能和自己相邻的两个点对应，不能越过已经链接的匹配进行对应）
3. 一一对应，不能为空（这里的一一对应是，每个点都要有对应的点，不是严格意义上的一一对应）
4. 对应之后，距离最近

bilibili关于DWT讲解

DTW算法中匹配算法，不需要实现绝对的两个序列的点之间一一对应，这里使用两个序列，一维数点进行举例，如上图所示，1）需要一个计算distance的function这里使用两个点的差的绝对值。2）然后两个序列的点一一对应，计算出每个点的dist然后生成一个m*n的矩阵。3）遍历这个矩阵，获得最小距离的路径path以及最小mean，code如下：

import numpy as np


def euc_dis(a, b):
    return abs(a-b)


def fill_matrix(a: np.array, b: np.array):
    l1 = len(a)
    l2 = len(b)
    dis_all = np.ones((l1, l2)) * -1
    dis_all[0, 0] = euc_dis(a[0], b[0])
    for i in range(1, l1):
        dis_all[i, 0] = euc_dis(a[i], b[0]) + dis_all[i-1, 0]
    for j in range(1, l2):
        dis_all[0, j] = euc_dis(a[0], b[j]) + dis_all[0, j-1]

    for i in range(1, l1):
        for j in range(1, l2):
            if dis_all[i, j] < 0:
                dis_all[i, j] = euc_dis(
                    a[i], b[j]) + min(dis_all[i-1, j], dis_all[i, j-1], dis_all[i-1, j-1])

    return dis_all, l1, l