笨方法： 每一种长度的距离都算一次，存进distMatrix里面 不知道怎麽加速(摊手 library(dtw) test=read.csv("C:\\Users\\user_148\\Downloads\\test.csv", header = FALSE) test = as.matrix(test) dtw_f = function(i, j){ dtw(test[!is.na(test[,i]), i],test[!is.na(test[,j]),j])$distance } loc_mat = as.matrix(expand.grid(1:ncol(test.fr), 1:ncol(test.fr))) distMatrix = mapply(function(x,y) dtw_f(x,y), loc_mat[,1], loc_mat[,2]) dim(distMatrix) = rep(ncol(test), 2) ※ 引述《sinclairJ (SunnyGymBoy)》之铭言： : 资料档：https://www.dropbox.com/s/3wh4o9c0l5pplwq/test.csv?dl=0 : 资料档说明：资料档维度为60*99，有99条时间序列 : (每条时间序列长度不一，长度最长为60(可视为60个单位时间点)) : 问题描述：因现实资料的关系，有些时间序列会有NA值 : 但查过文献之後，这不影响分析 : 小弟主要要做的分析是1 by 1计算这些时间序列的相似性 : (而DTW就是一种可以计算两条序列不等长(也可等长)的相似性之计算距离方法) : 而得出99*99的距离矩阵之後 再对距离矩阵做资料探勘中的分群 : 问题：因时间序列有NA值，所以不太能用自动化的方式一次完成99*99分析 : 小弟原本的程式码如下 : test=read.csv("") #读档 : library(dtw) : DtstMatrix=dist(test,method="DTW") #执行这行会出现错误 : 所以小弟用比较笨的方法，用眼睛一条一条看，然把NA的值取出来再做计算 : 小弟此时的程式码如下 : eg1.如果要计算等长的序列 : d1=dtw(test[,5],test[,6]) #以计算第5与第6条序列相似性为例 : d1$distance #看两条序列的距离，越小表示越相似 : eg2.如果要计算不等长的序列 : d2=dtw(test[,5],test[c(1:45),7]) #以计算第5与第7条序列相似性为例 : 不过小弟要每条序列都与每条序列做一次计算然後得出99*99的距离矩阵 : 距离矩阵示意图如下（28*28为例） : http://i.imgur.com/Tp5we4U.jpg : 不知道各位前辈有没有什麽较方便的方法可以教导小弟一下 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 140.109.73.190 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/R_Language/M.1444801404.A.806.html 我同学跟我说dtw是放两个不等长的东西，只是NA要去掉 我一直以为是要等长...所以我取最小size去算 因此，我误会你的意思了 程式有错，我更正了 嗯嗯 已修改文章 ※ 编辑: celestialgod (180.218.154.163), 10/18/2015 20:42:18