معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Calculate discrete Frechet distance

ویژگی	مقدار
سیستم عامل	-
نام فایل	frechetdist-0.6
نام	frechetdist
نسخه کتابخانه	0.6
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Spiros Denaxas
ایمیل نویسنده	s.denaxas@gmail.com
آدرس صفحه اصلی	https://github.com/spiros/discrete_frechet
آدرس اینترنتی	https://pypi.org/project/frechetdist/
مجوز	Apache License 2.0

[![Build Status](https://travis-ci.org/spiros/discrete_frechet.svg?branch=master)](https://travis-ci.org/spiros/discrete_frechet) [![DOI](https://zenodo.org/badge/118257492.svg)](https://zenodo.org/badge/latestdoi/118257492) Discrete Fréchet distance ========================= Computes the discrete Fréchet distance between two curves. The Fréchet distance between two curves in a metric space is a measure of the similarity between the curves. The discrete Fréchet distance may be used for approximately computing the Fréchet distance between two arbitrary curves, as an alternative to using the exact Fréchet distance between a polygonal approximation of the curves or an approximation of this value. This is a Python 3.* implementation of the algorithm produced in *Eiter, T. and Mannila, H., 1994. [Computing discrete Fréchet distance](http://www.kr.tuwien.ac.at/staff/eiter/et-archive/cdtr9464.pdf). Tech. Report CD-TR 94/64, Information Systems Department, Technical University of Vienna.* ``` Function dF(P, Q): real; input: polygonal curves P = (u1, . . . , up) and Q = (v1, . . . , vq). return: δdF (P, Q) ca : array [1..p, 1..q] of real; function c(i, j): real; begin if ca(i, j) > −1 then return ca(i, j) elsif i = 1 and j = 1 then ca(i, j) := d(u1, v1) elsif i > 1 and j = 1 then ca(i, j) := max{ c(i − 1, 1), d(ui, v1) } elsif i = 1 and j > 1 then ca(i, j) := max{ c(1, j − 1), d(u1, vj ) } elsif i > 1 and j > 1 then ca(i, j) := max{ min(c(i − 1, j), c(i − 1, j − 1), c(i, j − 1)), d(ui, vj ) } else ca(i, j) = ∞ return ca(i, j); end; /* function c */ begin for i = 1 to p do for j = 1 to q do ca(i, j) := −1.0; return c(p, q); end. ``` Parameters ---------- P : Input curve - two dimensional array of points Q : Input curve - two dimensional array of points Returns ------- dist: float64 The discrete Frechet distance between curves `P` and `Q`. Examples -------- ``` >>> from frechetdist import frdist >>> P=[[1,1], [2,1], [2,2]] >>> Q=[[2,2], [0,1], [2,4]] >>> frdist(P,Q) >>> 2.0 >>> P=[[1,1], [2,1], [2,2]] >>> Q=[[1,1], [2,1], [2,2]] >>> frdist(P,Q) >>> 0 ```

نیازمندی

مقدار	نام
>1.0	numpy

نحوه نصب

نصب پکیج whl frechetdist-0.6:

pip install frechetdist-0.6.whl

نصب پکیج tar.gz frechetdist-0.6:

pip install frechetdist-0.6.tar.gz