Python-有效计算两个矩阵中每对行之间的曼哈顿距离

我有两个形状矩阵 (AxN) 和 (BxN) (AxB) 其中每个元素是每两行之间的曼哈顿距离。

我试着用 cdist ,但实际上它非常慢,例如,如果我们讨论的是余弦距离,那么下面的代码在相同的数据上花费大约4秒 cdist

dotted = matrix_a.dot(matrix_b.transpose())
matrix_a_norms = np.expand_dims(np.linalg.norm(matrix_a, ord=2, axis=1), axis=0)
matrix_b_norms = np.expand_dims(np.linalg.norm(matrix_b, ord=2, axis=1), axis=0)
norm_mat = matrix_a_norms.transpose().dot(matrix_b_norms)
cosine_distance = np.divide(dotted, norm_mat)

所以我想知道,只有在曼哈顿距离的情况下,有没有什么可以快速实现的呢?

编辑 :

sklearn

:

准确的细节

A=14587 B=30228 N=300

dtype 是 float32

与 sklearn.pairwise.manhattan_distances cdist(metric='cityblock') 平均需要135秒