在 Python 中，`pairwise` 这一概念出现在多个模块和库中，具体取决于应用场景。以下是一些常见的 `pairwise` 函数或方法的使用方式： ### 1. `itertools.pairwise`（Python 3.10+） 该函数用于从一个可迭代对象中生成连续的成对元素。例如，输入 `[1, 2, 3]`，输出为 `(1, 2)` 和 `(2, 3)`。 ```python import itertools data = [1, 2, 3, 4] for pair in itertools.pairwise(data): print(pair) ``` 输出： ``` (1, 2) (2, 3) (3, 4) ``` [^2] ### 2. `sklearn.metrics.pairwise` 模块 在机器学习中，`sklearn.metrics.pairwise` 提供了多种成对计算样本相似度或距离的方法。例如，`pairwise_distances` 可用于计算两个数据集之间的所有成对距离。 ```python from sklearn.metrics.pairwise import pairwise_distances import numpy as np X = np.array([[1, 2], [3, 4], [5, 6]]) distances = pairwise_distances(X) print(distances) ``` 输出为一个 3x3 的距离矩阵，表示每对样本之间的欧几里得距离[^3]。 ### 3. `pingouin.pairwise_tests`（统计分析） 在统计学中，`pingouin.pairwise_tests` 用于执行成对比较，例如非参数配对检验（如 Wilcoxon 检验）。它适用于重复测量设计中的组内比较。 ```python import pingouin as pg # 加载示例数据集 df = pg.read_dataset('mixed_anova') # 执行非参数配对检验 result = pg.pairwise_tests(dv='Scores', within='Time', subject='Subject', data=df, parametric=False) print(result) ``` 输出包括成对比较的统计值、p 值和效应量[^4]。 ### 4. 自定义 `pairwise` 逻辑（如算法题） 在一些算法问题中，`pairwise` 可能表示查找数组中和为特定值的索引对，并计算其索引之和。例如，题目要求实现 `pairwise([1, 4, 2, 3, 0, 5], 7)` 返回 `11`。 ```python def pairwise(arr, target): indices = set() n = len(arr) for i in range(n): if arr[i] is None: continue for j in range(i + 1, n): if arr[j] is None: continue if arr[i] + arr[j] == target: indices.update([i, j]) arr[j] = None # 标记为已匹配 break return sum(indices) print(pairwise([1, 4, 2, 3, 0, 5], 7)) # 输出 11 ``` 该函数通过双重循环查找和为 `target` 的配对，并返回它们的索引之和[^1]。 ### 5. `paired_distances` 函数（Scikit-learn） 虽然 `aired_distances` 并不存在，但 `paired_distances` 可用于计算两组数据中对应样本之间的成对距离。 ```python from sklearn.metrics.pairwise import paired_distances import numpy as np X = np.array([[1, 2], [3, 4], [5, 6]]) Y = np.array([[2, 1], [4, 3], [6, 5]]) distances = paired_distances(X, Y) print(distances) ``` 输出 `[1.41421356 1.41421356 1.41421356]`，即每对样本之间的欧几里得距离[^5]。 ---